标签
研究通过预注册的受控实验比较了声明式动画规格与自由HTML/JavaScript代码两种LLM生成解释的方案，发现规格虽更短，但由于推理开销增加并未更便宜、更快或更可靠，小模型的规格可靠性甚至显著更低。
本文对大型语言模型如何解释言语概率表达式进行了系统性的跨模型评估，发现它们能够忠实追踪人类基准，但存在偏差，尤其是在负面表达方面，这对人类与AI之间的不确定性交流有影响。