本研究探讨大型语言模型（LLMs）推理长度与回答正确性之间的关系。结果显示，LLMs在简单问题上常常过度推理，而在复杂问题上推理不足。通过长度优化算法，研究表明可以在保持准确性的同时显著减少生成长度，强调推理行为中生成长度的重要性。

本文提出了一种细粒度奖励的训练框架，以提高大型语言模型在引用生成和回答正确性方面的表现。通过多个基准测试验证，细粒度奖励显著提升了模型性能，超越了GPT-3.5-turbo。此外，研究还介绍了ALCE评测基准和自我认可框架，以减少生成内容中的事实错误，提高模型的可信度和可验证性。