本文提出了一种自适应测试框架，用于评估大型语言模型（LLMs），能够动态调整问题难度以更准确地估计模型能力。研究发现，GPT-4在主题知识、数理推理和编程方面表现优异，达到中等水平学生的认知能力。文章还探讨了LLMs在教育中的应用及其在理解和应用口语知识方面的表现，指出其在现实问题推理上存在限制，强调了LLMs与人类合作的潜力及其在人工智能领域的重要性。