#推理能力

CordisBench基准测试了模型在动态代理环境中的组件生命周期推理能力，发现模型随复杂度增加可靠性下降，GPT-5.6 Luna在中等推理下每题需近3000个token。

这场争论直击 AI 领域最根本的信任问题——LLM 的推理到底是不是真的？做 AI 研究或关注模型能力的读者，看完会对当前评测和结论有更深反思。

Gary Marcus@GaryMarcus原文

这项研究揭示了AI在复杂场景推理上的真实短板，做体育内容或依赖AI分析的团队可以借此评估工具边界，值得点开看看AI到底哪里不行。