一项由斯坦福大学、UC伯克利和MIT合作的开创性研究揭示，顶尖大语言模型在解决奥数级不等式证明问题时，尽管常能得出正确答案，但其内部逻辑推理过程却充满漏洞。研究团队通过创建IneqMath数据集和LLM-as-Judge评估系统，量化了这种“可信度错觉”，并指出模型规模的增大或延长思考时间并不能有效提升其逻辑严谨性，但自我反思和引入外部定理线索等策略显示出改善潜能，为AI的可靠性与信任问题带来了深远启示。