LiveK12Bench：大型多模态模型真的征服高中水平考试了吗？

先进的大型多模态模型（LMM）在K-12推理任务中展现出令人印象深刻的性能，作为智能辅导工具前景广阔。实现这一潜力需要模型能够有效应对真实考试，但大多数现有基准无法刻画真实考试环境的复杂性。具体而言，大多数数据集是静态的、容易发生数据污染，且往往局限于受限的模态、学科和评价标准。为解决这些问题，我们提出LiveK12Bench，一个动态、整体、多学科的基准，旨在评估LMM在真实考试场景中的推理能力。LiveK12Bench包含2000多道经过核验的题目，横跨数学、物理、化学和生物，来源于最新的真实考试试卷，并被设计为随时间持续扩充。我们的框架具有若干核心创新：1）自动流水线持续摄取并解析最新试卷以缓解数据泄露；2）提出新颖的“模拟考试（Mock Exam）”评测方案，评估模型以准确且高效的推理路径自主完成端到端考试的能力。在12个LMM上的大量实验表明，先进模型在贴近真实考试的约束下出现显著性能下降：当联合评估过程严谨性与效率时，GPT-5的分数从79分降至53分（满分100）。我们的发现暴露了关键弱点，例如对复杂视觉排版的敏感性，凸显了理想化推理能力与真正教育可用性之间的差距。代码与数据集均已公开。