大语言模型在竞技编程上失败在哪里？按算法类型和难度等级划分的失败分类

大语言模型 (LLM) 在竞争性编程基准方面表现出日益提高的熟练程度，但技术报告主要发布总体通过率，掩盖了特定领域的漏洞。我们使用跨七个算法类别和三个难度级别的 315 个 Codeforces 问题的平衡分类法，对 LLM 故障模式进行了系统的实证研究。我们在严格的基于执行的条件下评估 GPT-4o 和 Claude Sonnet 4.6，控制温度 (T = 0.2)。为了隔离推理框架对算法正确性的影响，我们进行了一项消融研究，将直接零样本生成与零样本思想链（CoT）进行比较。我们的研究结果揭示了与标准 NLP 基准的严重背离：迫使 CoT 严厉惩罚 GPT-4o，将其通过率从 46.0% 降至 36.8%，并加剧了贪婪逻辑的关键弱点。相反，虽然 Claude 保持了较高的逻辑基线（CoT 下为 63.5%），但扩展的文本生成严重降低了其 Markdown 指令的遵守情况，导致其编译错误增加了三倍多（从 9 到 31，增加了 244%）。此外，故障模式分析表明，错误答案 (WA) 是这两个模型的主要结论——占 GPT-4o 的 90% 以上，占 Claude 不可接受的解决方案的大约 70%。这些发现从经验上证明，标准提示工程技术无法弥合竞争性编程环境中的算法推理差距。