ReasonBENCH：LLM推理的（不）稳定性基准测试

这篇文章介绍了 ReasonBENCH，这是一个旨在评估大型语言模型 (LLM) 在推理任务中的一致性和可靠性的基准测试。 关注稳定性表明正在调查 LLM 在多次运行或不同条件下的表现，这对于实际应用至关重要。 标题中使用“In”暗示了不稳定性，表明对 LLM 推理能力的批判性评估。