本文探讨了通过目标驱动的对话游戏评估大型语言模型（LLMs）的方法，重点分析了模型在横向思维和解决复杂问题方面的能力。研究显示，现有模型与人类在这些能力上存在显著差距，并提出了改进提示方法以提升模型表现的建议。作者通过案例研究列出了设计高质量AI系统认知评估的指导方针，旨在推动AI心理学领域的最佳实践发展。

本文研究了BRAINTEASER任务，评估模型的横向思维能力。研究表明，现有语言模型在此方面与人类存在显著差距。提出的专用模型在句子谜题中表现优异，得分达到0.98。同时分析了ChatGPT的性能差异，强调专门方法在增强人工智能创造性推理能力中的潜力。