基准评估大型语言模型的固有限制

本研究质疑大型语言模型（LLM）在语言、知识和推理基准上的表现是否真正反映其通用认知能力，指出现有评估方法的局限性，建议不应仅依赖基准性能来评估LLM的认知能力。