arXiv cs.AI· Shaoliang Yang, Jun Wang·· 13 小时前AI 评分52
语言模型在已知力学极限测试中计算与拒绝出现分歧
Calculation and rejection diverge in language models tested at known mechanical limits
AI 导读
研究者在梁载荷和盘转速设为已知塑性坍塌或爆裂阈值上下一定百分比的条件下，测试了12个模型共4,860次调用，发现模型被单独问及设计是否可行时能识别不可行设计，但被要求给出完整答案时却对同一设计报“solved”。
正文 · AI 翻译
摘要：当语言模型返回状态为“已解决”的工程数值时，信任它的软件会将这些数值传递下去，即使所请求的设计在物理上不可能实现。此类失败可能源于计算不佳、答案的请求方式，或未能判断可行性。我们将梁载荷和圆盘转速设定在已知高于或低于塑性倒塌或爆裂的百分比处，分别测量每个模型的极限计算，并在 4,860 次调用中测试了 12 个模型，包括对新设计的后续实验。我们发现，当仅被问及设计是否可行时，模型能够识别出不可能的设计；但当被要求给出完整答案时，模型却会接受同一设计并报告“已解决”。三个模型接受了超出倒塌 10% 至 30% 的梁，尽管在单独问题中给出了精确的极限计算，且许多被接受的回复中已陈述了违规情况。仅被问及可行性时，Opus 5 和 Gemini 3.8 Flash 拒绝了它们收到的每一个不可能的新设计，包括那些在完整答案中被接受的设计，且没有误报。改写何时拒绝的措辞或更改答案格式提高了对原始梁的拒绝率，但在新设计上并不一致。使用模型状态的软件和基准应分别测试可行性判断和完整答案拒绝，并报告确切的提示词。
| 评论： | 94 页，包括补充信息。数据和代码：此 https URL |
| 主题： | 计算工程、金融与科学（cs.CE）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.38096 [cs.CE] |
| （或 arXiv:2610.38096v1 [cs.CE] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.38096 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Shaoliang Yang [查看电子邮件]
[v1]
2026 年 10 月 28 日星期三 00:28:46 UTC（1,061 KB）
来源：arXiv cs.AI · arxiv.org