本研究提出了ProcessBench评估基准，旨在识别语言模型在数学推理中的错误步骤。评估结果显示，现有模型在复杂数学问题上表现不佳，而新模型在批判能力上与先进模型相当。

研究发现大语言模型在批判能力上存在挑战，尤其是自我批判。提出了一种自我检查的方法来提升模型表现，希望为理解和应用大语言模型的批判能力提供指导。