去年《自然》研究称，随着大型语言模型的规模扩大，随着能力增强同时，可靠性却因此出现了下降。通过一项新研究探讨，发现大型语言模型也有思维定式现象，比如在处理任务时出现不一致或错误回答的情况。通过五种不同的基准测试 (简单的算术、词汇重组、地理知识、科学问题和信息转换任务)，研究人员分析了多个大型语言模型,由于训练模型的限制，包括OpenAI的GPT系列、Meta的LLaMA系列和BigScience的BLOOM系列，随着模型规模的扩大，它们的回答变得越来越精确，但可靠性也越来越低：回答中错误答案的比例也变高了，在一些改进的模型中，错误答案的比例甚至超过了60%。
