TCSExam 基准测试：评估前沿 LLM 在理论计算机科学研究中的能力

TCSExam 是一个覆盖理论计算机科学（TCS）全领域研究的统一评测框架，考察定理证明、求解器工程、构造方法以及求解开放猜想的能力。TCSExam-Full 包含 100 个专家审核的任务，提交结果由 Lean 内核或可执行任务检查器验证；TCSExam-Lite 从中选出 20 个任务，在相同单次尝试预算下减少 80% 的任务尝试量。评测结果显示，GPT-6 Astra 在 Full 版以 71.9 的 TCSExam Index 排名第一，Opus 5.5 在 Lite 版以 72.3 领先，两个版本的排名在八个共同评测的智能体上高度一致（Spearman ρ=0.93）。评测还产出了改进的求解器输出和数学构造，并获得了开放猜想尝试中经独立验证的特殊情形与界。