Découvrez comment tester ce raisonnement. Return JSON {"assumptions": "quelles hypothèses cachées doivent être extraites", "weak_step": "quelle étape vérifier en premier et comment", "test": "une manière spécifique de revérifier (exemple, nombres, contre-exemple)"}
La règle principale : un texte fluide n’est pas synonyme d’un texte correct. La confiance d'un modèle est un style de discours, pas une preuve. Vérifions-le étape par étape. Premièrement : retirez les hypothèses cachées - sur quoi la conclusion est basée (quel est le taux, quel est le délai, que le revenu est stable). Deuxièmement : recalculez l'étape clé vous-même ou à l'aide d'un petit exemple avec des nombres premiers. Troisièmement : demandez un contre-exemple : une situation dans laquelle la conclusion échoue. Quatrièmement : vérifiez si vos concepts ont changé en cours de route. La première technique : demander au modèle de « critiquer sa propre réponse » ou de jouer l'avocat de la position adverse - cela révélera les trous qu'elle cachait en mode défensif. La deuxième astuce n'est pas évidente : substituer des valeurs extrêmes - zéro, un très grand nombre. Si la conclusion échoue, alors la logique est fragile et repose sur des hypothèses pratiques. Une erreur typique d'un débutant est de prendre un ton confiant pour la vérité : plus la réponse est douce, plus vous devez rechercher avec soin où se cache exactement la tension.
Débloquez l’accès pour soumettre des solutions pour un examen instantané par l’IA.