标签
该论文批判性地审视了 CLadder 这一广泛用于评估大语言模型因果推理能力的基准，揭示其中存在具有高度预测性的表面模式。随机森林等简单模型在该基准生成的数据集上表现良好，而商业大语言模型的表现却缺乏稳健性，这表明它们的优异成绩源于利用捷径，而非真正的因果推理。