本文提出了评估大型语言模型（LLM）如ChatGPT的框架，发现其在多模态内容生成上表现良好，但推理能力较差，存在幻觉问题。通过“提示工程”可改善性能。研究引入LogicAsker工具评估LLM的逻辑推理能力，发现逻辑错误率高达94%。此外，开发了MathChat基准测试，强调多轮对话和复杂推理能力的提升。整体上，LLM在推理任务中表现不佳，需进一步改进。