提出MathDuels自博弈评测基准,让大语言模型同时担任数学问题的出题者和解题者,通过三阶段生成流程和独立验证机制构建动态难题池,并用Rasch模型联合评估求解能力与出题质量,揭示出题与解题能力部分解耦且基准难度随模型进步而协同演进。
机构:宾大
来源:arXiv 2604.21916 | AI4Papers 论文推荐平台