ACL 2026 Oral：大模型在短语语义推理上还是“如鲠在喉”

ACL 2026 Oral｜语义推理如鲠在喉：大模型被「短语」难住了

这篇ACL 2026 Oral论文给前沿大模型做了一次短语层面的“体检”，结论有点反直觉：模型能聊但未必真懂。研究把语义理解拆成抽取、分类、释义三步来测，发现没有一个模型能全优。GPT-5在习语分类上能到85.4%，但同一批短语的抽取就掉到78.7%，释义相似度更是只有22.5%。DeepSeek-R1的分类准确率在选项从4个变16个时，直接从81.7...

推荐理由：ACL 2026 Oral 论文，用短语层面的三项任务给 GPT-5 和 DeepSeek-R1 做体检，结论反直觉：模型聊天流畅但短语理解拉胯。数字具体，能直接拿来当参考。没给更高分是因为这是单篇学术论文，没有跨源验证，纯基准测试的落地影响有限。