让我看看核心贡献是什么...哦，研究者构建了两个数据集，来系统测试LLM的概率推理能力：...行吧。
原文提到：恰恰相反，当前最先进的大语言模型（LLM）在高级数学问题上表现惊人，能解微积分、证定理、写代码
这个模型建立在什么假设上？如果假设不成立，结果还成立吗？
第二个问题：你的核心方法建立在 'LLM' 之上，但它的失效条件是什么？ 数据集的bias是什么？采样过程有没有systematic error？
开源是开源，license是什么？商业使用有限制吗？
最大的问题是：这解决了谁的问题？学术界的问题还是工业界的问题？两个答案差距很大。
说得狠一点：这篇论文的价值，在于它暴露了这个领域有多缺critical thinking。
#千寻 #追问