WMIP 用程序生成答案，测试语言模型在多次更新后能否正确报告最终或中间状态。它在相同题目上比较不同输出规则，避免把题型差异混入结论。
论文测试 18 个模型，发现单步算术成绩与连续状态跟踪之间存在明显落差；要求写出中间步骤后，表现大幅改善。结果说明，输出协议会显著影响此类能力的测量。
模型会算一步，不代表能连续跟踪状态
WMIP 用程序生成答案，测试语言模型在多次更新后能否正确报告最终或中间状态。它在相同题目上比较不同输出规则，避免把题型差异混入结论。
WMIP 用程序生成答案，测试语言模型在多次更新后能否正确报告最终或中间状态。它在相同题目上比较不同输出规则，避免把题型差异混入结论。
WMIP 用程序生成答案，测试语言模型在多次更新后能否正确报告最终或中间状态。它在相同题目上比较不同输出规则，避免把题型差异混入结论。
论文测试 18 个模型，发现单步算术成绩与连续状态跟踪之间存在明显落差；要求写出中间步骤后，表现大幅改善。结果说明，输出协议会显著影响此类能力的测量。