GrAlgoBench

评测问题

用图算法任务考察推理模型的长上下文处理、算法执行和推理效率。图规模可以调节，使问题难度更可控。

评测设计

九类图算法问题提供标准化的程序评测。在不同图规模下观察正确率，并分析模型的执行错误、记忆不足与冗余推理。

研究发现

论文报告，当图超过 120 个节点时，所评估模型的准确率下降到 50% 以下。大量自我验证未必提高正确率，体现长推理中的过度思考问题。

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。