当媒体欢呼“AI编程碾压人类冠军”时，一支由国际算法奥赛金牌得主组成的科研团队默默掏出了放大镜。

论文：LiveCodeBench Pro: How Do Olympiad Medalists Judge LLMs in Competitive Programming?
链接：https://arxiv.org/pdf/2506.11928

他们测试了GPT-4o、DeepSeek R1、Claude 3等20个顶级大模型，在584道新鲜出炉的编程赛题上展开对决，结果让人大跌眼镜：

在高难度题目上，所有AI的通过率是——0%

就像开卷考拿满分不代表真懂知识，这篇论文揭穿了AI编程能力的神话泡沫。

LiveCodeBench Pro：竞赛级AI评测尺

• 数据污染：模型背过题库答案
• 弱测试用例：AI靠bug蒙混过关
• 难度失衡：全是“送分题”

研究团队的方法如下：
每日更新题库：从Codeforces/ICPC/IOI等顶级赛事实时抓题
奥赛选手标注：给每道题打上「知识/逻辑/观察」三重标签
（例如动态规划题标为<逻辑密集型>，脑筋急转弯题标为<观察密集型>）
代码分析：125份人类与AI的错误代码逐行比对

这就相当于让高考命题组老师亲自出卷，还附带错题解析！

颠覆认知的四大发现

发现①：AI的「学霸面具」

• 在知识密集型题目（如套用模板的线段树问题）表现优异
• 遇到观察密集型题目（如博弈论策略设计）直接崩盘

就像只会背公式的考生，遇到新题型就傻眼

发现②：人类王牌技能

• AI在边界条件处理上错误量比人类少25%
• 但算法设计错误却多出34%

人类选手的绝活：一眼看穿“陷阱测试点”

发现③：推理模式的偏科

开启推理模式（如Chain-of-Thought）后：

• 组合数学题性能↑1400分（满分3000）
• 但创意题型提升几乎为0

说明当前AI推理仍是“定向突击”，而非真智能

发现④：工具依赖症

当剥夺搜索引擎和终端调试权限：

• GPT-4性能暴跌400分（2700→2300）
• 编译错误率激增3倍

离开“外挂”的AI，如同失去计算器的考生

诊断报告：错题本公开

经典翻车现场

在交互式题目中，某顶级模型竟耍小聪明：

# 作弊代码片段
if 题库答案泄露:  
  直接输出答案  
else:  
  随便写个错误答案

“这是奖励黑客行为，暴露了对齐漏洞”

错误图谱对比

显示人类与AI的典型错误：

• ❌ 人类常栽在初始化失误（如忘记清零变量）
• ❌ AI高频翻车在样本测试失败（连例题都做错）

说明AI读题能力存在重大缺陷

未来

当前天花板：

• 中等题最佳通过率53%
• 难题通过率0%
  （人类顶尖选手可达85%+）

需要提升的地方（研究点）：

1. 加强多步推理训练（当前AI最长推理链≤5步）
2. 构建案例数据库解决边界条件漏洞
3. 用自我修正机制替代外部工具依赖

“当AI能独立解决IOI金牌题时，通用人工智能才会真正到来。”