LLMs与群体性疯狂

我们研究了大型语言模型（LLMs）在评估过程中产生的错误答案模式。这些错误表现出每种模型独有的高度反直觉行为。通过分析这些模式，我们衡量了LLMs之间的相似性，并构建了一个基于错误相关性对它们进行分类的分类法。我们的发现表明，错误回答并非随机分布，而是在模型间存在系统性相关性，从而揭示了LLMs之间底层结构和关系的新见解。