P2NPCBench：对抗多智能体改写下的P与NP完全配对评测

论文指出现有基准无法区分模型是推理还是记忆，提出P2NPCBench：12个问题族中每个NP完全问题都配有表面相同的多项式时间孪生问题。作者用AgentGAN对抗多智能体框架改写题干直至冻结代码模型失败，并以可执行有效性门控保证改写保持答案与复杂度类别，得到2114条加固题目及人工核验参考解，评测12个闭源与开源模型，发现各模型在NP完全题上得分均低于其P孪生题。

AI推荐理由 构建P2NPCBench，将12类NP完全问题与其多项式时间孪生问题配对，并用AgentGAN多智能体对抗改写去除教材线索、以可执行校验保证答案与复杂度类别不变，含2114条加固题目与人工参考解，评测12个模型；对区分推理与记忆有实际价值。