本研究分析了优化推理的语言模型o1，探讨其自回归不足的问题。结果显示，o1在处理稀有变体任务时有所提升，但仍对例子和任务概率敏感，表明优化未能完全解决这一问题。

大语言模型本质是预测互联网文本的下一个词。研究提出“目的论方法”，认为任务概率、目标输出概率和输入概率影响其准确性，并用GPT-3.5和GPT-4在十一项任务中验证。结果显示，高概率时准确率更高，低概率时显著下降，如GPT-4解码密码准确率从51%降至13%。因此应把大语言模型视为受特定训练压力塑造的独特系统，而非人类。

论文提出“目的论方法”，认为大语言模型通过预测互联网文本的下一词工作，其准确性受任务概率、目标输出概率和输入概率影响。作者用GPT-3.5和GPT-4测试十一项任务，发现高概率任务更准确，低概率任务明显下降，如GPT-4解码密码准确率从51%降至13%，因此应将其视为受特定压力塑造的独特系统。

大语言模型的准确性受到任务概率的影响，高概率时准确率高，低概率时准确率低。使用大语言模型需谨慎，视为一类独特系统，非人类。

大语言模型的准确性受到任务概率的影响，高概率时准确率高，低概率时准确率低。使用大语言模型需谨慎，视为一类独特系统，非人类。