LLM 的开放问题（2026）

LLM 的开放问题（2026）

LLM 发展迅猛，但许多根本问题仍待解答。以下是 LLM Primer 关注的核心开放问题：

理解与推理

模型是否真正”理解”了语言和世界，还是在进行复杂的模式匹配？Chain-of-Thought 提升了推理表现，但它反映的是真正的逐步推理，还是只是学会了生成符合预期的推理格式？

规模与效率

Scaling Law 是否会持续？是否存在某个规模阈值之后收益递减？我们能否用更小的模型、更好的数据和算法，达到大模型的能力？

对齐与安全

RLHF 和 DPO 是否真正改变了模型的内在目标，还是只是表面行为的抑制？如何保证对齐在面对未知攻击时的泛化能力？

多模态与世界模型

视觉、音频和文本的融合是否会让模型获得”物理直觉”？代码生成是否是检验真实推理能力的最佳试金石？

评估的困境

当模型能力接近或超过人类时，谁来评判？现有基准是否已被”刷分”？如何设计不易被操纵的评估体系？

这些问题没有简单答案，但正是它们驱动着 LLM Primer 持续更新。我们欢迎社区贡献：提出新问题、补充证据、修正过时观点。