相同任务，不同表示：测试大语言模型的鲁棒性

基于摘要分析。本文研究大语言模型在常见任务上的成功究竟反映任务理解，还是对常见表示形式的熟悉，并提出 Paired Representation Robustness（PRR）评估协议：将模型在原生表示下已能解决的任务转换为陌生但逻辑等价的表示，检查其解题能力能否保持。 评估覆盖两个领域：布尔逻辑由 Python 代码转换为 Minecraft Redstone 电路；国际象棋战术由标准记谱转换为合成密码记谱 Syn-Chess。按照摘要描述，转换前后的底层任务不变，模型会获得替代表示的完整规则。其核心对照是在保持任务逻辑不变的条件下改变表达形式，而非直接比较不同任务的得分。 作者报告，gpt-5.6-sol 在 Python 表示下解决了 98.8% 的逻辑题，而对相同题目的 Redstone 表示仅解决 1.01%；在强制将杀棋题中，其标准记谱下正确识别第一步的比例为 86.6%，Syn-Chess 条件下报告的对应比例为 0.69%。这些数值仅对应摘要所述的配对表示条件；样本规模、题目来源、配对筛选方式、提示配置，以及“保留”表现的具体分母和计算方式尚未验证，不宜进一步推算能力下降幅度。 作者据此认为，高基准表现可能强烈依赖任务呈现形式。需要核对的关键事项包括转换是否严格保持逻辑等价、替代规则的呈现与上下文负担、输出解析与判定方式，以及表示转换困难和底层推理困难能否区分。实验协议、消融及统计信息尚未验证。本文直接研究对象是大语言模型的表示鲁棒性，不构成 EEG 或 BCI 有效性的证据；现有材料不足以提出具体的神经信号方法迁移方案。