论文重新审视CLadder，质疑其程序化生成样本能否真实衡量大模型的形式因果推理。
推荐理由：关键不在模型又拿到多少分，而在程序化生成是否泄漏捷径或偏离目标能力；若质疑成立，既有因果推理结论需重新校准。
阅读原文