本文评估了大型语言模型（LLMs）在自然语言处理中的表现，发现高级提示策略对模型性能的影响不稳定，尤其在小模型中更为明显。研究指出LLMs在科学问题解决中存在逻辑推理不足，并提出通过三元组模型相互评估来排名模型的方法，提供低资源机制以恢复真实排名。此外，探讨了LLMs在文本评估中的潜力，结果与人类专家一致，为研究人员提供了实用指南。

本研究通过访谈15名非母语英语人士，发现他们在使用AI写作助手时难以评估生成文本，主要因缺乏解释。为此，提出四种用户界面设计，以帮助他们更好地理解和评估AI的改写建议。