相同答案不同理由：多语言大语言模型的推理轨迹分歧研究

研究人员提出了推理轨迹分歧评估框架，用于将多语言大语言模型可见推理轨迹分解为结构相似度、顺序一致性和整体相似度进行对比。在 3 个推理基准、7 种语言和 6 款前沿 LLM 的测试中，整体相似度前四分之一的样本中有 52.1%–67.3% 未进入结构相似度前四分之一，表明传统方法会系统性高估一致性。双语人工评估也证实人类判断更贴合结构相似度，凸显了推理轨迹级评估的必要性。