本报告围绕“大语言模型行为一致性检测”这一主题，介绍了以“自问自答”方法来评估大语言模型的两篇文献：THE GENERATIVE AI PARADOX（West P, et al., 2023）和Reverse Question Answering（Balepur N, et al., 2024）。本报告进一步在SpaCE系列的空间信息正误判断任务上，尝试让大语言模型生成空间语义异常的文本再让模型判断。实验结果表面，大语言模型无法很好地遵循指令生成语义异常的文本，仅60%被人类判定为异常；大语言模型的生成与理解在行为上表现不一致，仅67%的自构造文本被判定为异常。