AlgBench

评测问题

从算法类型出发，评估推理模型是否真正掌握算法，而不只是在相似题目上获得高分。

评测设计

由算法专家构建 3,000 多道原创题，覆盖 27 种算法。分类包括欧氏与非欧氏结构，以及非优化、局部优化、全局优化和启发式优化任务。

研究发现

论文发现模型在不同算法类别上表现差异明显：非优化任务最高约 92%，动态规划等全局优化任务约 49%。分析还观察到过早放弃正确算法设计的策略切换现象。

研究介绍与结果据论文原文 ↗整理；实验结论对应原文中的模型、数据与协议。