根据推特用户God of Prompt的报道，研究人员发现AI模型在生成GSM8k测试题方面的能力与其性能差距之间存在0.32的相关性。该发现表明，能够复述测试题的模型在面对新问题时表现更差。这意味着这些模型更倾向于记忆答案而非真正解决问题，这对当前AI评测基准的有效性提出了挑战。