Evaluating Large Language Models on the 2026 Korean CSAT Mathematics Exam: Measuring Mathematical...

文章核心总结与创新点主要内容该研究以2026年韩国CSAT数学考试为基准，在完全无数据泄露的环境下评估了24款主流大语言模型（LLMs）的数学推理能力。考试共46道题（22道必考题+24道选考题），涵盖概率统计、微积分、几何等核心领域，研究团队在考试公开后2小时内完成题目数字化，避免数据被模型训练收录。通过多输入模态（纯文本、纯图像、文本+图形）、多提示语言（韩语、英语）及不同推理强度的组合测试，发现GPT-5系列部分模型实现满分，Grok 4、Qwen 3 235B等模型得分超97分，小参数模型gpt-oss20B以95.7分展现高性价比；微积分是模型最弱领域，4分难题表现显著下滑，纯文本输入效果优于图像输入，推理强度提升虽能提高成绩但会大幅增加成本与耗时。创新点构建完全无泄露的评估环境：依托CSAT考试的高保密性，考试公开后快速数字化题目，从根源上避免数据泄露影响，确保评估结果真实反映模型推理能力。标准化数字化流程：将面向人类的考试材料转化为LLM可直接使用的评估数据，统一文本（Markdown+LaTeX）、图像提取及元数据格式，保障评估一致性。多维实用评估视角：突破单一准确率指标，整合性能、成本、耗时三大维度，提出时间效率、成本效率及联合效率评分，为实际应用场景提供参考。译文（Markdown格式）Abstract本研究利用2026年韩国大学学术能力测