$Buchumschlag$

AMO-Bench: Large Language Models Still Struggle in High School Math Competitions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	An, Shengnan, Cai, Xunliang, Cao, Xuezhi, Li, Xiaoyu, Lin, Yehao, Liu, Junlin, Lv, Xinxuan, Ma, Dan, Wang, Xuanlin, Wang, Ziwen, Zhou, Shuang
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

General365: Benchmarking General Reasoning in Large Language Models Across Diverse and Challenging Tasks
von: Liu, Junlin, et al.
Veröffentlicht: (2026)

UNO-Bench: A Unified Benchmark for Exploring the Compositional Law Between Uni-modal and Omni-modal in Omni Models
von: Chen, Chen, et al.
Veröffentlicht: (2025)

LARY: A Latent Action Representation Yielding Benchmark for Generalizable Vision-to-Action Alignment
von: Nie, Dujun, et al.
Veröffentlicht: (2026)

Large Language Models Struggle with Unreasonability in Math Problems
von: Ma, Jingyuan, et al.
Veröffentlicht: (2024)

AgentEscapeBench: Evaluating Out-of-Domain Tool-Grounded Reasoning in LLM Agents
von: Guo, Zhengkang, et al.
Veröffentlicht: (2026)

Audio Turing Test: Benchmarking the Human-likeness of Large Language Model-based Text-to-Speech Systems in Chinese
von: Wang, Xihuai, et al.
Veröffentlicht: (2025)

Polynomiality of Subdimensions of Diagonal Harmonics and a Sharp Stability Bound
von: Wang, Xinxuan
Veröffentlicht: (2025)

Hallu-PI: Evaluating Hallucination in Multi-modal Large Language Models within Perturbed Inputs
von: Ding, Peng, et al.
Veröffentlicht: (2024)

The Competitive Struggle.
von: Barry, Jeff, et al.
Veröffentlicht: (1998)

GlotOCR Bench: OCR Models Still Struggle Beyond a Handful of Unicode Scripts
von: Kargaran, Amir Hossein, et al.
Veröffentlicht: (2026)

LRR-Bench: Left, Right or Rotate? Vision-Language models Still Struggle With Spatial Understanding Tasks
von: Kong, Fei, et al.
Veröffentlicht: (2025)

Why Not Act on What You Know? Unleashing Safety Potential of LLMs via Self-Aware Guard Enhancement
von: Ding, Peng, et al.
Veröffentlicht: (2025)

Molecular Mechanisms and Clinical Applications of Neural Regeneration Through Dental Pulp Stem Cells
von: Xinxuan Wang, et al.
Veröffentlicht: (2026)

Adversarial Math Word Problem Generation
von: Xie, Roy, et al.
Veröffentlicht: (2024)

S^3cMath: Spontaneous Step-level Self-correction Makes Large Language Models Better Mathematical Reasoners
von: Yan, Yuchen, et al.
Veröffentlicht: (2024)

R-Horizon: How Far Can Your Large Reasoning Model Really Go in Breadth and Depth?
von: Lu, Yi, et al.
Veröffentlicht: (2025)

Frontier LLMs Still Struggle with Simple Reasoning Tasks
von: Malek, Alan, et al.
Veröffentlicht: (2025)

CoreCodeBench: Decoupling Code Intelligence via Fine-Grained Repository-Level Tasks
von: Fu, Lingyue, et al.
Veröffentlicht: (2025)

Length Desensitization in Direct Preference Optimization
von: Liu, Wei, et al.
Veröffentlicht: (2024)

Friend or Foe: How LLMs' Safety Mind Gets Fooled by Intent Shift Attack
von: Ding, Peng, et al.
Veröffentlicht: (2025)

AMO: Adaptive Muon Orthogonalization
von: Zhuang, Xinlin, et al.
Veröffentlicht: (2026)

AMemGym: Interactive Memory Benchmarking for Assistants in Long-Horizon Conversations
von: Jiayang, Cheng, et al.
Veröffentlicht: (2026)

Large Language Models as Tool Makers
von: Cai, Tianle, et al.
Veröffentlicht: (2023)

MathArena: Evaluating LLMs on Uncontaminated Math Competitions
von: Balunović, Mislav, et al.
Veröffentlicht: (2025)

MUSE: MCTS-Driven Red Teaming Framework for Enhanced Multi-Turn Dialogue Safety in Large Language Models
von: Yan, Siyu, et al.
Veröffentlicht: (2025)

LLM The Genius Paradox: A Linguistic and Math Expert's Struggle with Simple Word-based Counting Problems
von: Xu, Nan, et al.
Veröffentlicht: (2024)

Mapping diverse hysteresis dynamics in scaled MoS$_2$ FETs using the universal method derived from TCAD modeling
von: Lv, Yezhu, et al.
Veröffentlicht: (2025)

ATLAS: All-round Testing of Long-context Abilities across Scales
von: Huang, Deli, et al.
Veröffentlicht: (2026)

VisOnlyQA: Large Vision Language Models Still Struggle with Visual Perception of Geometric Information
von: Kamoi, Ryo, et al.
Veröffentlicht: (2024)

Meeseeks: A Feedback-Driven, Iterative Self-Correction Benchmark evaluating LLMs' Instruction Following Capability
von: wang, Jiaming, et al.
Veröffentlicht: (2025)

Synchronized disease and behavioural dynamics in weakly coupled populations
von: Wang, Xinxuan, et al.
Veröffentlicht: (2026)

Unraveling the Mystery of Scaling Laws: Part I
von: Su, Hui, et al.
Veröffentlicht: (2024)

OIBench: Benchmarking Strong Reasoning Models with Olympiad in Informatics
von: Zhu, Yaoming, et al.
Veröffentlicht: (2025)

Engaging Students Through Math Competitions
von: Bajnok, Bela
Veröffentlicht: (2024)

Instance-level Randomization: Toward More Stable LLM Evaluations
von: Li, Yiyang, et al.
Veröffentlicht: (2025)

Making Mathematical Reasoning Adaptive
von: Lai, Zhejian, et al.
Veröffentlicht: (2025)

Scaling and Transferability of Annealing Strategies in Large Language Model Training
von: Wang, Siqi, et al.
Veröffentlicht: (2025)

AMO Sampler: Enhancing Text Rendering with Overshooting
von: Hu, Xixi, et al.
Veröffentlicht: (2024)

Phylogenomics Resolves the Evolution of Sternorrhyncha (Insecta: Hemiptera)
von: Shiyu Du, et al.
Veröffentlicht: (2025)

Self-supervised Speech Representations Still Struggle with African American Vernacular English
von: Chang, Kalvin, et al.
Veröffentlicht: (2024)