评估大语言模型中的语用推理：来自标量多样性的证据

评估大语言模型（LLM）的语用推理仍具挑战，因模型行为随评估方法而异。先前研究表明提示判断可能与内部概率分布不一致。本研究利用标量多样性作为分级诊断工具，对比直接概率测量与元语言提示在多种模型及设置下的表现。结果显示无单一方法始终占优，语用行为在不同模型家族、策略及任务结构中差异显著。标量多样性梯度仅在特定组合中出现，表明语用推理是内部概率表征与任务诱导行为的交互结果，而非单一范式可捕捉的稳定能力。