A Reference-Free Score for Detecting Silent Reasoning Failures in Large Language Models

本文针对大型语言模型（LLM）在数学链式思维（Chain of Thought, CoT）推理评估中的一个关键缺陷提出解决方案。当前评估方法通常仅检查最终答案与参考答案是否一致，但这种方法存在一个'推理-答案一致性差距'：一个无效的推理链可

历史摘要 · 未重新核验 · arXiv cs.CR