超越准确率：评估大语言模型数学推理中的策略多样性

大语言模型在数学推理基准测试中虽已达到高准确率，但单一指标无法反映推理灵活性。本文提出一种策略级评估框架，基于 80 道 AMC/AIME 试题及 217 种人类参考策略族，对模型输出的策略身份、有效性和正确性进行标注。研究发现，四款前沿模型在单解提示下准确率极高，但在多策略提示下恢复的策略数量显著少于人类参考集，且存在几何与数论领域的差距。结果表明，策略多样性是评估数学推理能力的重要补充维度。