文章主要内容总结本文聚焦大型语言模型（LLMs）在基于故事的类比推理任务中的表现，通过与人类认知对比，深入探究LLMs的类比推理能力。研究围绕四个核心问题展开：语义表示：使用BERT的句子嵌入评估LLMs是否能捕捉源故事与真类比目标故事的相似性，以及与假类比干扰故事的差异性；提示策略：测试“两步增强提示法”（让模型自生成提示后再推理）能否提升LLMs与人类表现的一致性；细粒度对齐：从单个类比问题层面而非仅整体准确率，评估LLMs与人类对“难易问题”的判断是否一致；模型因素：考察模型大小（如8B vs 70B参数）和架构（如GPT-4、LLaMA3）对推理表现的影响。实验结果显示：BERT嵌入在78%的案例中能区分真/假类比，但与人类对单个问题的难易判断无相关性；增强提示法提升了LLMs的整体准确率（大模型甚至超过人类），但小模型（如GPT-4o-mini）在单个问题上与人类的相关性更强；模型大小与准确率正相关，而架构差异会导致推理表现差异。文章创新点细粒度评估：突破以往仅关注整体准确率的局限，首次从单个类比问题层面分析LLMs与人类的表现对齐，揭示“大模型准确率高但与人类对难易的判断一致性低”的矛盾；提示策略创新：设计“自生成提示+推理”的两步法，证明其能提升LLMs的整体类比推理准确