斯坦福、伯克利、MIT团队提出的IneqMath基准，通过创新性的非正式数学推理评估方法，揭示了大语言模型在数学证明中普遍存在的逻辑严谨性不足问题，即便答案正确也常缺乏可靠推理过程。这项研究挑战了单纯依靠模型规模提升智能的传统范式，预示未来AI研究将更侧重于自我批判、知识整合与工具利用，以实现更深层次的“理解”和在科学发现等关键领域的可靠应用。