BayesBench：评估多轮证据积累下大语言模型的信念轨迹

大语言模型通常部署于多轮对话中，每轮提供新证据以减少环境的不确定性。理性行为要求推断潜在变量并随证据积累更新信念。然而，现有评估多仅关注单轮最终答案，忽视了该过程。本文提出 BayesBench，通过三个渐进复杂任务（贝叶斯估计、预测及潜在框架下的预测）评估七种模型的信念更新是否符合理性贝叶斯推理。研究发现，虽然模型规模提升改善了潜在推断，但未能可靠转化为下游预测能力，揭示了推断结构与理性更新信念间的差距。