reasoning-mismatch

CLExEval 引入了一种人机交互框架，用于在渐进信息遮蔽条件下评估 LLM 临床推理，揭示了 GPT-4o-mini 和 HuatuoGPT-o1 等模型中存在的失败模式，如冗长偏见、隐藏知识悖论以及推理与输出不匹配。