研究揭示LLM批改奥数证明局限并提出MABGrader框架

2026年10月28日，Azim Ospanov等人在arXiv发布研究，系统评估大语言模型在奥林匹克数学证明验证上的能力局限。研究构建了包含专家评分的USAMO 2025候选答案数据集，并设计了用于大规模生成高保真对抗性证明的TROJAN流水线。 评测覆盖20个模型、7项指标及3种推理方法，结果显示前沿模型在验证数学证明方面仍有较大提升空间。研究进而提出MABGrader多臂老虎机框架，该框架在二次加权Kappa指标上比当前最优的ProofGrader高26.4%，并将评分误差降低14%。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。