衡量大语言模型的推理质量：一个多维行为框架

针对当前评估仅依赖最终答案正确性而忽视推理过程的问题，本研究提出了一种基于行为视角的统一多维框架，用于衡量大语言模型的推理质量。该框架操作化了六个理论维度：正确性、一致性、鲁棒性、逻辑连贯性、效率和稳定性。实验表明，该框架能揭示单一准确率指标无法发现的行为特征，如逻辑连贯性与正确性的正交关系，并有效防止因单指标评估导致的模型排名错误，为部署决策提供关键支持。