Llm可以执行某些形式的推理，例如逻辑推理，数学计算或遵循思想链，但它们的推理是基于模式的，而不是真正的认知。例如，当被要求解决数学问题或解释概念时，LLM可以通过利用类似示例的训练来产生准确的输出。
虽然llm擅长于需要模式识别的任务，但它们在需要抽象或常识推理的问题上苦苦挣扎。例如，当面对模棱两可或不完整的信息时，他们可能会产生听起来合理但不正确的答案。他们的推理能力仅限于训练数据中编码的信息。
开发人员可以通过思维链提示等技术或将其与符号推理系统等外部工具集成来增强LLMs中的推理。然而，重要的是要记住，llm缺乏真正的理解和推理，其方式与人类根本不同。