GraphArena

评测问题

通过可验证的图计算问题，检查模型能否理解结构、执行算法并找到有效解。任务包含 4 类多项式时间问题与 6 类 NP-complete 挑战。

评测设计

将答案区分为正确、可行但非最优、格式正确但不可行以及缺失，进一步区分求解质量与幻觉。覆盖最短距离、旅行商等不同计算难度。

研究发现

论文评估十余个模型，发现更大、更复杂的图仍具有挑战。研究进一步比较思维链、指令微调、代码求解及测试时计算扩展的优势与局限。

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。