production-evaluation-gap

这篇论文提出了Valid-Answer-Invalid-Reasoning (VAIR)基准测试，旨在揭示AI推理模型中的生成-评估差距，即模型可以生成正确答案，但无法检测出有缺陷的推理过程，暴露了答案确认偏差。

本文研究了大型推理模型（LRMs）中的生成-评估差距，发现尽管它们能近乎完美地生成解决方案，但由于答案确认偏差，它们无法稳健地评估推理过程。