EMNLP 2026 高分论文 MathDebugger：当合成数据涌入训练集，如何为数学题做体检？
中文摘要
北大提出 MathDebugger 基准，通过细粒度标注评估合成数学数据，揭示大模型解题与验题的能力差异。
English Summary
PKU's MathDebugger benchmark evaluates synthetic math data through fine-grained labeling, revealing gaps between LLMs' problem-solving and verification abilities.
Original Excerpt
📌 一句话摘要 北京大学 DCAI 团队提出 MathDebugger，一个面向合成数学数据的质检基准，通过七类细粒度错误标注和四维度评测协议，揭示大模型「会做题」和「会验题」之间的能力差距，并证明错误类型监督能稳定提升纠错准确率。 📝 详细摘要 随着合成数据大量涌入训练集，数学题目中混入条件缺失、逻辑矛盾等隐性错误的风险日益突出。北京大学 DCAI 团队提出 MathDebugger 基准，覆盖 4，000 道题目与...