大型语言模型在文本理解、规划和记忆上表现出与人类相似的类人偏差，高性能模型的分层处理更接近人脑；但在情感理解、比喻处理和物理常识等功能性语言能力上存在不足，且推理中会出现不同于人类的不一致行为。

多项研究评估大语言模型作为评判器的表现，发现其存在系统偏差，提出校准策略并开发了FairEval工具；GPT-4等模型会高估无意义陈述的深度，强化学习反馈可能引入偏见；在医疗、法律、诗歌隐喻解释等领域，GPT-4表现优于其他模型，但存在推理不一致等问题。