KCSAT-ML：利用全国队列人类难度探测推理模型

现有数学推理基准缺乏基于真实人类表现的单题难度信号。本文推出 KCSAT-ML，包含十年韩国高考数学题及官方错误率数据，并提出“难度对齐推理增益”（DRG）指标，用于分析模型错误是否集中于人类认为困难的题目。实验揭示多模态及大语言模型在不同难度题目上的准确率崩溃、测试时缩放效应非单调性及对齐失败等现象，揭示了聚合准确率所掩盖的模型行为差异。