本研究探讨大型语言模型（LLMs）在类风湿关节炎（RA）诊断中的应用，发现尽管预测准确率高达95%，但推理过程中的错误率约为68%。这一结果对LLMs在临床实践中的可靠性提出了质疑。

本研究提出ReAgent框架，解决多跳问答中的推理错误累积问题。通过回溯机制和信息聚合，该系统有效检测并纠正推理错误，性能提升约6%。

研究表明，经过微调的FLAN-T5-large在数学推导性能上优于GPT，但对未知符号和方程结构变化较为敏感。分析发现了常见的推理错误，并探讨了现有评估指标的局限性。合成数据训练可提升模型的数学能力。

通过比较大型语言模型和人类推理，研究发现模型存在推理错误，但最新版本的模型与人类推理的差异几乎消失。人类和机器对相同提示的响应不同。这对人工智能和认知心理学有重要意义和挑战。