GTBench：一个基于课程体系的基准，用于评估作为图论数学研究助手的 LLM

本文提出 GTBench，这是一个基于课程体系的基准，旨在评估大语言模型（LLM）作为图论数学研究助手的能力。该基准包含 63 个问题，分为本科定义、算法追踪及研究生级证明构建三个难度层级。研究评估了五种前沿模型在零样本和思维链提示下的表现。结果显示模型性能随难度增加显著下降，且高阶证明中存在推理不完整及人工与自动评估不一致的问题。GTBench 为首个针对图论推理的课程化评估框架，对 AI 在数学教育中的应用具有重要启示。