从原子级到智能体级：面向 LLMs 智能体数学能力的可解释过程级评测框架

针对现有数学基准仅评估最终答案的局限，该研究提出一个过程级评测框架，将智能体解题行为与可复用的数学原子能力分类体系对齐。 该框架设计了涵盖文本与多模态的规划、行动及反馈任务，并通过受控 LLM 重写生成轨迹与细粒度标注，揭示端到端准确率相近的模型在智能体能力上存在显著差异。 该研究强调过程级评测对解读 LLMs 真实潜力及指导下一代数学智能体开发的关键作用。