计算机科学 > 人工智能
[提交于 2026年1月8日
(v1)
,最后修订 2026年1月9日 (此版本, v2)]
标题: AlgBench:大推理模型对算法的了解程度有多深?
标题: AlgBench: To What Extent Do Large Reasoning Models Understand Algorithms?
摘要: 推理能力已成为大型推理模型(LRMs)发展中的核心焦点。 尽管在MATH500和LiveCodeBench等几个推理基准上取得了显著进展,但现有的算法推理基准仍然有限,无法回答一个关键问题:LRMs是否真正掌握了算法推理? 为了解答这个问题,我们提出了AlgBench,这是一个由专家精心挑选的基准,它在以算法为中心的范式下评估LRMs。 AlgBench包含超过3000个原始问题,涵盖了27种算法,由ACM算法专家构建,并按照一个全面的分类体系进行组织,包括欧几里得结构、非欧几里得结构、非优化、局部优化、全局优化和启发式优化类别。 对领先LRMs(例如Gemini-3-Pro、DeepSeek-v3.2-Speciale和GPT-o3)的实证评估揭示了显著的性能异质性:虽然模型在非优化任务上的表现良好(最高达92%),但在动态规划等全局优化算法上的准确率急剧下降至约49%。 进一步分析发现了\textbf{战略过度转移},在此情况下,由于必要的低熵标记,模型过早地放弃了正确的算法设计。 这些发现暴露了以问题为中心的强化学习的根本局限性,并突显了采用以算法为中心的训练范式对于强大算法推理的必要性。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.