Escaping Confidence Trap: Evolutionary Decoding for Mathematical Reasoning in Diffusion LLMs
Australian National University(澳大利亚国立大学);Nanyang Technological University(南洋理工大学);National University of Singapore(新加坡国立大学);Amazon(亚马逊);University of Technology Sydney(悉尼科技大学)
针对扩散大语言模型数学推理的置信陷阱,提出无训练的进化解码框架,通过逐步选择与分块变异提升LLaDA 2.0的数学推理可靠性。
2026-08-04 cs.AI
PyraMathBench: Evaluating and Improving Mathematical Capability in Large Language Models
East China Normal University(东华师范大学);Hasso Plattner Institute, University of Potsdam(波茨坦大学哈索普兰特纳研究所)
提出PyraMathBench分层基准测试,通过整合数值处理与数学推理评估LLM,并引入SOLVE模块和IRPO优化方法提升数值-数学协同能力。
2026-06-02 cs.AI
Evaluating Mathematical Reasoning of Large Language Models: A Focus on Error Identification and Correction
University of Science Technology of China(中国科学技术大学);National University of Singapore(新加坡国立大学)
本文针对LLMs数学推理评估缺乏考官视角的问题,提出包含错误识别与纠正四任务及基于AnnotatedErrorTypes数据集的评估框架,发现GPT-4优于所有模型,闭源模型表现最好,LlamaMA-2-7B和GPT-3.5,
2024-06-02 cs.AI cs.CL cs.LG
FRoG: Evaluating Fuzzy Reasoning of Generalized Quantifiers in Large Language Models
Shanghai Jiao Tong University(上海交通大学);UNC-Chapel Hill(北卡罗来纳大学教堂山分校);The Hong Kong Polytechnic University(香港理工大学)
本文提出模糊推理基准FRoG,通过含广义量词的真实数学应用题评估大语言模型,发现模糊推理仍具挑战性,现有推理增强方法效果不一致,且存在逆向缩放效应。
2024-07-03 cs.AI cs.CL
MathArena: Evaluating LLMs on Uncontaminated Math Competitions
ETH Zurich(苏黎世联邦理工学院);INSAIT
MathArena通过评估数学竞赛中的LLM,揭示了模型在推理和证明写作上的能力与局限。
2026-01-14 cs.AI cs.CL
GanitBench: A bi-lingual benchmark for evaluating mathematical reasoning in Vision Language Models
Vellore Institute of Technology(韦洛尔理工学院)
GanitBench是一个包含1527道视觉数学题的双语基准,覆盖英语和印地语,评估VLM在零样本和两样本CoT下的推理能力,GPT-4o mini表现最佳,最高准确率38.15%。
2025-07-31 cs.AI cs.CL
StepMathAgent: A Step-Wise Agent for Evaluating Mathematical Processes through Tree-of-Error
Tsinghua University(清华大学)
针对LLM数学评估只看最终答案、难以解释且不适用证明与开放题的问题,提出基于Tree-of-Error的StepMathAgent及StepMathBench,实现更贴合人类偏好的过程评估。
2025-03-13 cs.AI
Can Language Models Rival Mathematics Students? Evaluating Mathematical Reasoning through Textual Manipulation and Human Experiments
Taras Shevchenko National University of Kyiv(基辅塔拉斯舍甫琴科国立大学);University of Cambridge(剑桥大学)
本研究引入Combi-Puzzles数据集,比较多种LLM与人类在组合数学问题上的表现,发现GPT-4模型优于其他模型且胜过人类,而问题文本修改显著影响LLM性能但不影响人类。
2024-12-16 cs.CL
Exposing the Achilles' Heel: Evaluating LLMs Ability to Handle Mistakes in Mathematical Reasoning
Microsoft Research(微软研究院)
本文通过构建包含正确与错误推理步骤的MWP-MISTAKE数据集,系统评估了GPT-4o等大语言模型在数学推理中检测和纠正错误的能力,揭示了数据污染问题并提出了改进方向。
2024-06-16 cs.AI cs.CL cs.LG
GSM-Plus: A Comprehensive Benchmark for Evaluating the Robustness of LLMs as Mathematical Problem Solvers
The University of Hong Kong(香港大学);Tencent AI Lab(腾讯AI实验室)
本文提出GSM-Plus基准,通过对GSM8K施加多种数学扰动,系统评估25个LLMs在4种提示技术下的数学推理鲁棒性,并探索迭代生成与验证中间思路的组合提示方法。
2024-07-02 cs.CL
TREAT: Evaluating Access to Formal Knowledge across Equivalent Mathematical Representations
本研究提出基准TREAT,测试大型语言模型从保等价数学变换中识别定理身份的能力,发现模型表现不佳且存在多种失败模式,凸显形式知识表示鲁棒性的重要性。
2026-09-14 cs.AI
Scaling Reasoning, Losing Control: Evaluating Instruction Following in Large Reasoning Models
Renmin University of China(中国人民大学);Shanghai AI Laboratory(上海人工智能实验室);The Chinese University of Hong Kong(香港中文大学)
本研究提出MathIF基准,发现推理能力增强与指令遵循之间存在张力,长思维链或推理强化学习会降低遵循能力,简单干预可部分恢复但牺牲推理性能。
2025-05-25 cs.AI cs.CL
Evaluating Mathematical Reasoning Beyond Accuracy
Shanghai Jiao Tong University(上海交通大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Carnegie Mellon University(卡内基梅隆大学);Yale University(耶鲁大学);Generative AI Research Lab (GAIR)(生成式人工智能研究实验室(GAIR))
针对现有大语言模型数学评估仅关注最终答案、忽略推理步骤质量的问题,提出ReasonEval评估方法,通过有效性和冗余性衡量推理质量,实验证明其性能优于基线,且可用于数据筛选,相关资源已开源。
2025-01-14 cs.CL
DeepMath-Creative: A Benchmark for Evaluating Mathematical Creativity of Large Language Models
School of Mathematical Sciences, Tongji University(同济大学数学科学学院)
本文提出数学创造力评估标准与DeepMath-Creative基准,系统评测主流LLM,发现最强模型仅在基础构造题上达70%,复杂开放题表现薄弱。
2025-05-13 cs.AI
Unmasking Gender Bias in Recommendation Systems and Enhancing Category-Aware Fairness
Deakin University(迪肯大学)
本文提出一套细粒度类别感知指标量化推荐系统性别偏见,并用作正则化项训练,在三个数据集上验证其能显著提升公平性且不损性能。
2025-02-25 cs.AI cs.CY cs.HC
DynaMath: A Dynamic Visual Benchmark for Evaluating Mathematical Reasoning Robustness of Vision Language Models
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of California, Berkeley(加州大学伯克利分校)
DynaMath是一个动态视觉数学基准,通过501个种子问题自动生成大量变体,评估14个最先进视觉语言模型的数学推理鲁棒性,发现最坏情况准确率显著低于平均情况,强调研究推理鲁棒性的必要性。
2025-02-24 cs.AI cs.CL cs.CV
MV-MATH: Evaluating Multimodal Math Reasoning in Multi-Visual Contexts
MAIS, Institute of Automation of Chinese Academy of Sciences(自动化研究所)
针对现有多模态数学基准多为单视觉语境、与真实多视觉应用场景脱节的问题,研究者推出包含2009道K-12阶段多图穿插文本数学题的MV-MATH基准,实验发现MLLMs在该基准上表现远逊于人类,并分析了相关性能与错误模式。
2025-08-01 cs.AI
Unmasking and Improving Data Credibility: A Study with Datasets for Training Harmless Language Models
University of California, Santa Cruz(加州大学圣克鲁兹分校)
本研究提出一个系统框架评估真实世界数据集的可信度,识别并修复标签错误,显著提升数据可信度与下游学习性能,并开源了数据清洗工具Docta。
2024-03-24 cs.AI cs.CL cs.CY
Beyond Accuracy: Evaluating Strategy Diversity in LLM Mathematical Reasoning
University of Toronto(多伦多大学);Upper Canada College(上加拿大学院);East China Normal University(华东师范大学)
研究探讨了大语言模型在数学推理中策略多样性与准确性之间的关系,发现策略多样性是评估数学推理的重要补充维度。
2026-05-10 cs.AI cs.CY
Is Your Model Really A Good Math Reasoner? Evaluating Mathematical Reasoning with Checklist
Xi’an Jiaotong-Liverpool University(西交利物浦大学);University of Liverpool(利物浦大学);University of Macau(澳门大学);HKUST(香港科技大学);Microsoft Research Asia(微软亚洲研究院);Duke Kunshan University(昆山杜克大学)
针对现有数学推理基准易过拟合、无法真实反映模型能力的问题,本文提出评估清单MathCheck及自动生成工具,构建文本和多模态升级基准,测试26个LLM和17个MLLM,证明其能更准确衡量数学推理能力且可扩展到其他推理任务。
2024-10-08 cs.CL
Large Language Models for Mathematical Analysis
Boston University(波士顿大学)
本文针对大语言模型在数学分析中证明能力不足的问题,构建 DEMI-MathAnalysis 数据集并提出引导框架,通过微调显著提升模型生成严谨完整证明的能力。
2024-12-28 cs.AI cs.CL
Prompt Compression in Diffusion Large Language Models: Evaluating LLMLingua-2 on LLaDA
University of Toronto(多伦多大学);King Mongkut’s University of Technology Thonburi(泰国科技理工学院)
本文研究了提示压缩在扩散大型语言模型中的有效性,通过在LLDA上评估LLMLingua-2,发现提示压缩在数学推理任务中效果不佳,而摘要任务相对稳健,表明为扩散模型设计的提示压缩方法并不适用于所有场景。
2026-07-14 cs.AI cs.CL
GTBench: A Curriculum-Grounded Benchmark for Evaluating LLMs as Mathematical Research Assistants in Graph Theory
Louisiana State University(路易斯安那州立大学);Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室);Texas A&M-Central Texas(德克萨斯大学阿姆斯特朗中央分校)
本文提出GTBench基准,通过三个难度递增的图论问题组(本科定义、算法推理、研究生证明)评估大语言模型的数学推理能力,发现GPT-5表现最佳,其他模型随难度下降显著,并揭示了人类与自动评估者之间的系统性分歧。
2026-06-02 cs.AI
Evaluating LLMs' Mathematical and Coding Competency through Ontology-guided Interventions
Singapore University of Technology and Design(新加坡科技设计大学);IIT Kharagpur(印度理工学院克勒格布尔分校);University of Michigan(密歇根大学)
该研究针对大语言模型推理能力鲁棒性存疑的问题,提出扰动本体、半自动扰动方法及两个扰动数据集,评估发现各类LLM在扰动问题上性能骤降,揭示其推理能力的局限性。
2024-11-03 cs.CL
More Accurate or More Efficient? Evaluating Locally Deployed Compact Open-Weight Language Models for Mathematical Reasoning
Florida Institute of Technology(佛罗里达理工学院);College of Engineering and Science(工程与科学学院)
本文提出了一种用于评估本地部署语言模型数学推理性能的受控流程,研究三款紧凑型开放权重模型后发现,无单一模型占优,仅靠准确性不足以选择本地模型。
2026-08-25 cs.AI
Not All Proofs Are Equal: Evaluating LLM Proof Quality Beyond Correctness
INSAIT(INSAIT研究所);Sofia University "St. Kliment Ohridski"(索菲亚大学"圣克莱孟·奥赫里迪斯基");ETH Zurich(苏黎世联邦理工学院)
本文提出ProofRank基准,评估证明的简洁性、计算便捷性、认知简单性、多样性及适应性,揭示正确性之外的证明质量差异及优劣权衡。
2026-11-04 cs.CL
MathBench: Evaluating the Theory and Application Proficiency of LLMs with a Hierarchical Mathematics Benchmark
Shanghai AI Laboratory(上海人工智能实验室);Beihang University(北京航空航天大学);Nanjing University(南京大学);The Chinese University of Hong Kong(香港中文大学)
本文提出分层双语数学基准 MathBench,通过从算术到大学数学的五阶段理论题与应用题,全面评估 LLM 的数学理解和实际应用能力。
2024-05-20 cs.CL
Brains vs. Bytes: Evaluating LLM Proficiency in Olympiad Mathematics
Pennsylvania State University(宾夕法尼亚州立大学);City University of New york(纽约城市大学);New York University(纽约大学);Amirkabir University of Technology(阿米尔卡比尔理工大学);Bocconi University(博科尼大学);Autodesk(欧特克公司)
本文通过人工评估和自动评估模式检验大语言模型在数学奥林匹克问题上的推理能力,发现其表现远逊于人类专家,正确答案多来自模式识别而非真正推理,呼吁建立重视推理可靠性的新基准。
2025-04-10 cs.AI cs.LG
MathVista: Evaluating Mathematical Reasoning of Foundation Models in Visual Contexts
UCLA(加州大学洛杉矶分校);Microsoft Research, Redmond(微软研究院(雷德蒙德));University of Washington(华盛顿大学)
本文提出 MathVista 多模态数学推理基准,含 6,141 个示例,并评估 12 个基础模型,发现 GPT-4V 领先但仍落后人类 10.4%。
2024-01-21 cs.AI cs.CL cs.CV
Proof or Bluff? Evaluating LLMs on 2025 USA Math Olympiad
ETH Zurich(苏黎世联邦理工学院);INSAIT, Sofia University "St. Kliment Ohridski"(索非亚大学“圣克利门特·奥赫里德斯基”计算机科学、人工智能与技术研究院(INSAIT))
该研究针对现有数学基准仅评估LLM最终答案、忽略严谨推理的问题,用2025年USAMO的6道题测评前沿模型,发现多数模型得分不足5%,仅Gemini-2.5-Pro达25%,指出现有LLM的严谨数学推理能力仍需大幅提升。
2025-09-04 cs.CL
Evaluating Frontier LLMs on PhD-Level Mathematical Reasoning: A Benchmark on a Textbook in Theoretical Computer Science about Randomized Algorithms
Wyoming Seminary(怀俄明神学院);San Jose State University(圣何塞州立大学);Guilin University of Electronic Technology(桂林电子科技大学);University of California, Berkeley(加州大学伯克利分校);Northeastern University(东北大学);Guangdong University of Technology(广东工业大学)
本文评估了前沿大语言模型在博士级数学推理中的表现,通过随机算法教材的基准测试,发现顶级模型在准确性上表现优异,但可靠性存在显著差异。
2025-12-16 cs.AI
STEM-POM: Evaluating Language Models Math-Symbol Reasoning in Document Parsing
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出STEM-PoM基准数据集,评估LLMs在科学文本中对数学符号的推理能力,发现现有模型分类准确率有限,改进符号分类可提升下游数学推理。
2025-05-31 cs.CL
Assessing the Creativity of LLMs in Proposing Novel Solutions to Mathematical Problems
New Jersey Institute of Technology(新泽西理工学院);Pennsylvania State University(宾夕法尼亚州立大学)
本文提出CreativeMath框架与基准,评估LLM在已知解法之外生成数学新颖解法的创造力,发现其标准任务表现良好但创造性差异明显,Gemini-1.5-Pro表现最佳。
2024-10-24 cs.AI cs.CL
LSR-Ben: A Logical and Scientific Reasoning Benchmark for Evaluating Process Reward Models
Research Center for Social Computing(社会计算研究中心);Interactive Robotics, Harbin Institute of Technology, China(交互机器人学,哈尔滨工业大学,中国);Beijing Academy of Artificial Intelligence, Beijing, China(北京人工智能研究院,北京,中国)
GR-Ben旨在评估过程奖励模型在科学和逻辑两大领域及九个子领域的误差检测能力,揭示现有模型在非数学领域和计算错误检测上的不足。
2026-10-01 cs.AI cs.CL
Evaluating the Performance of Large Language Models for Spanish Language in Undergraduate Admissions Exams
UPIITA-IPN(墨西哥国立理工学院高等跨学科技术专业单位);University of California, Irvine(加州大学尔湾分校)
本研究评估GPT-3.5和BARD在墨西哥国家理工学院本科入学考试中的西班牙语表现,两者均超最低录取线,GPT-3.5以60.94%略胜BARD的60.42%。
2023-12-28 cs.AI cs.CL
Evaluating LLMs When They Do Not Know the Answer: Statistical Evaluation of Mathematical Reasoning via Comparative Signals
Rutgers University(罗格斯大学);Shanghai Jiao Tong University(上海交通大学)
本文提出一种统计高效的方法,通过结合标准结果与成对比较信号,提升LLM数学推理能力评估的准确性和稳定性。
2026-07-21 cs.AI cs.LG math.ST
Large Language Models and Mathematical Reasoning Failures
KTH Royal Institute of Technology(瑞典皇家理工学院)
本研究通过50道高中数学应用题评估8个前沿大语言模型的推理能力,发现模型存在空间推理、策略规划等多类错误,强调需关注推理过程而非仅答案,指出其泛化能力仍有差距。
2025-02-21 cs.AI
Can LLM generate interesting mathematical research problems?
本文探讨大语言模型能否生成有价值的前沿数学研究问题,通过生成665个微分几何问题并经人类验证,发现许多问题对专家而言尚属未知且具有独特研究价值。
2026-03-19 cs.AI
From Answers to Questions: EQGBench for Evaluating LLMs' Educational Question Generation
School of Artificial Intelligence, Beijing Normal University(人工智能学院,北京师范大学)
本文提出 EQGBench 基准,通过包含 900 个样本、覆盖三门中学学科及五维评估框架,系统评估了 46 个主流大模型在中文教育问题生成上的表现,揭示了其在生成具有教育价值问题方面的不足。
2025-08-05 cs.AI cs.CL
Proof2Hybrid: Automatic Mathematical Benchmark Synthesis for Proof-Centric Problems
Proof2Hybrid是首个自动合成以证明为核心数学基准的全自动化框架,其核心创新为Proof2X路线图,推出新型混合格式问题,并构建含456个条目的AlgGeoTest基准,评估发现先进LLMs代数几何理解存在显著缺陷。
2026-09-01 cs.AI cs.CL
Novice Learner and Expert Tutor: Evaluating Math Reasoning Abilities of Large Language Models with Misconceptions
Rice University(莱斯大学);Adobe Research(奥多比研究院);Eedi
本研究提出基于数学错误概念的LLMs数学推理评估方法,模拟LLMs分别扮演新手学习者与专家导师,实验发现LLMs虽能正确答题却难识别错误答案及对应错误概念,为教育应用中提升LLMs提供新方向。
2023-10-03 cs.CL
Insights into Alignment: Evaluating DPO and its Variants Across Multiple Tasks
Arizona State University(亚利桑那州立大学)
本文评估DPO及其变体在三种配置下对齐LLM的效果,发现小数据子集即可接近最优性能,对齐方法虽对复杂推理提升有限但能增强数学求解,且指令微调模型可提高真实性。
2025-02-08 cs.CL
ErrorRadar: Benchmarking Complex Mathematical Reasoning of Multimodal Large Language Models Via Error Detection
Squirrel AI;HKUST(GZ)(香港科技大学(广州));HKUST(香港科技大学);MSU(密歇根州立大学);UCAS(中国科学技术大学);University of Illinois at Chicago(伊利诺伊大学香槟分校)
ErrorRadar通过错误检测任务评估多模态大语言模型在复杂数学推理中的能力,包含2500个高质量K-12数学问题,实验显示GPT-4o仍比人类评价差10%。
2026-04-20 cs.CL
Reasoning Relay: Evaluating Stability and Interchangeability of Large Language Models in Mathematical Reasoning
Pennsylvania State University(宾夕法尼亚州立大学);Binghamton University(宾夕法尼亚州立大学布林茅尔分校);University of Toronto(多伦多大学);UC Berkeley(加州大学伯克利分校);Algoverse
本研究探讨大型语言模型在数学推理中的稳定性与可替换性,通过评估不同模型间推理链的延续性,揭示推理过程的可靠性和一致性。
2025-12-16 cs.AI
Do LLMs Exhibit Coherent Knowledge Structures in Mathematical Reasoning? A Perspective from Knowledge Space Theory
ETH Zürich(苏黎世联邦理工学院);ETH AI Center(ETH人工智能中心)
本研究基于知识空间理论构建框架,对比8款LLM与人类学习者,发现LLM无类人连贯知识结构,彼此间知识结构也不一致,且结构缺陷难以被常规评估检测。
2026-09-07 cs.AI
PA-CDM: Position-Aware Character Detection Matching for Evaluating Handwritten Mathematical Expression Recognition
East China Normal University(华东师范大学)
提出位置感知指标PA-CDM,结合字符检测匹配与位置森林编码,解决手写数学表达式识别评估中位置盲区问题,与人类判断相关性最高(rho=0.9535),优于传统指标且零成本。
2026-09-14 cs.CL cs.CV cs.LG
Evaluating LLM Reasoning in the Operations Research Domain with ORQA
Huawei Technologies Canada(华为技术加拿大公司);University of Toronto(多伦多大学);University of British Columbia(不列颠哥伦比亚大学)
本文提出ORQA基准评估LLMs在运筹学领域的泛化能力,通过OR专家开发的需多步推理的现实优化问题测试,发现LLaMA 3.1等开源模型性能一般,为相关研究提供数据与见解。
2025-02-09 cs.AI cs.CL
Evaluating Large Language Models on the 2026 Korean CSAT Mathematics Exam: Measuring Mathematical Ability in a Zero-Data-Leakage Setting
Chungnam National University(忠南国立大学)
本研究评估了24种LLM在2026年韩国CSAT数学考试中的表现,发现文本输入优于图像输入,GPT-5系列模型在特定配置下达到满分,同时揭示了微积分领域表现最差,且高难度问题对模型性能影响显著。
2025-11-30 cs.CL
Beyond Gold Standards: Epistemic Ensemble of LLM Judges for Formal Mathematical Reasoning
University of Manchester(曼彻斯特大学);University of Sheffield(谢菲尔德大学);Idiap Research Institute(Idiap 研究所);CRUK Manchester Institute(英国癌症研究中心曼彻斯特研究所)
本研究提出基于LLM评判者的认知与形式化基础集成(EFG),用于系统自动评估形式化数学推理中的语句自动形式化任务,实验证实其比粗粒度模型更具适用性。
2026-08-24 cs.CL
From Informal to Formal -- Incorporating and Evaluating LLMs on Natural Language Requirements to Verifiable Formal Proofs
The Hong Kong University of Science and Technology(香港科学与技术大学);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);Guangzhou Institute of Technology, Xidian University(西安电子科技大学广州研究院);Chongqing University(重庆大学);ICTT and ISN Laboratory, Xidian University(西安电子科技大学ICTT和ISN实验室)
本文面向自然语言需求到可验证形式化证明的任务,构建覆盖五种语言的 18k 蒸馏数据集,评估十个开源 LLM,并通过微调 7~8B 小模型达到接近 Deepseek-R1-671B 的性能。
2025-06-08 cs.AI cs.CL cs.PL
Evaluating Intermediate Reasoning of Code-Assisted Large Language Models for Mathematics
Saarland University(萨尔兰大学)
本文通过人工与自动评估五个代码辅助大语言模型在多个数学数据集上生成程序的逻辑可靠性,发现闭源模型基于数学概念推理而开源模型常依赖记忆和穷举搜索,且问题难度增加会降低所有模型的可靠生成比例,揭示仅凭执行准确率无法全面衡量 LLMs 的数学推理能力。
2025-07-22 cs.CL
Evaluating Large Language Models on Solved and Unsolved Problems in Graph Theory: Implications for Computing Education
Department of Computer Science(计算机科学系);Ball State University(巴尔的摩州立大学);School of Artificial Intelligence and Data Science(人工智能与数据科学学院);Jio Institute(乔研究所)
本研究评估了大语言模型在图论已解决和未解决问题上的表现,发现其在已有知识探索上有效,但在需要创新数学洞察的任务中存在局限,对计算教育有重要启示。
2026-02-04 cs.AI
OmniHandwritingOCR: A Diagnostic Benchmark for Evaluating Multimodal LLMs in Handwritten OCR Scenarios
East China Normal University(华东师范大学)
本研究推出OmniHandwritingOCR手写OCR诊断基准,评估13个多模态模型,发现其在复杂公式上表现差且存在幻觉,为诊断模型失效模式提供测试平台。
2026-08-20 cs.AI cs.CV
Evaluating Research-Level Math Proofs via Strict Step-Level Verification
Independent Researcher(独立研究者)
提出严格步骤级验证框架,通过约束推理上下文和定理来源,解决大模型在复杂数学证明验证中的“上下文中毒”问题,在FirstProof挑战数据集上优于全局评估,并揭示基准中的隐含歧义。
2026-06-09 cs.AI