加里·马库斯强调，大语言模型的可靠性，尤其是它们缺乏元认知能力，仍然是一个关键且未解决的问题，并引用了普林斯顿大学的一项新评估和一篇分析顶级模型失败原因的论文。
📝 详细摘要
这条推文探讨了加里·马库斯长期以来关注的一个问题：大语言模型（LLMs）持续存在的可靠性问题。他指出，即使是最新模型也难以解决这一问题，并特别强调它们缺乏“元认知”——即无法理解自身的局限性或“不知道自己不知道什么”。他引用了普林斯顿大学的一项新评估和一篇题为《迈向 AI 智能体可靠性科学》的论文，该论文通过对 Claude Opus 4.5、Gemini 2.5 Pro 和 GPT 5.4 等模型的广泛分析，量化了这种能力与可靠性之间的差距。马库斯认为，在追求通用人工智能（AGI）之前，解决这一根本性的可靠性问题至关重要，并建议是时候重新思考整个大语言模型范式了。
📊 文章信息
AI 评分：90
来源：Gary Marcus(@GaryMarcus)
作者：Gary Marcus
分类：人工智能
语言：英文
阅读时间：3 分钟
字数：504
标签： 大语言模型可靠性, 元认知, AI 局限性, 通用人工智能, 普林斯顿