谜语之谜：测试大型语言模型与人类的灵活推理能力

人类能灵活调整推理策略以适应问题需求，而大型语言模型（LLM）在此方面的表现尚不明确。本文提出“谜语之谜”范式，通过构造需字面解读但具谜语形式的题目，测试模型是否依赖表面特征而非内容进行推理。实验表明，LLM 在真谜语上表现优异但在变体谜语上显著下降，反之人类则相反。错误分析显示，LLM 主要因过度使用创造性推理而犯错，暗示其高分可能源于记忆检索而非灵活策略选择。