Mówimy o tym od jakiegoś czasu i w końcu wszyscy zaczynają to rozumieć: więcej rozumowania ≠ większa niezawodność. Nowe badanie empiryczne potwierdza, że skalowanie w czasie testu zawodzi w zadaniach faktograficznych — dokładność osiąga plateau, podczas gdy halucynacje często wzrastają. Gdy błędy spadają, to z powodu wstrzymania, a nie poprawy pamięci. Rozszerzone łańcuchy wzmacniają błąd potwierdzenia, fałszując dowody na poparcie błędnych odpowiedzi. Dlatego infrastruktura weryfikacyjna ma znaczenie. Nie możesz wyjść z halucynacji za pomocą rozumowania, potrzebujesz mechanizmów konsensusu.