OracleLadder 发现 LLM 数学推理的主要失败不是单步不会做，而是无法把已会的步骤组合起来

OracleLadder 通过逐级提供 roadmap、milestone answers 与单步 oracle help，定位 LLM 数学推理失败发生在哪一层。论文在 354 个 NuminaMath 问题和 6 个模型上发现，最大的失败类型是 composition gap：模型可以分别完成中间步骤，却仍不能把这些步骤组合成完整解答；该现象在剔除潜在评分错误后仍覆盖约 24%–37% 的问题，并在 MATH500、AIME 2024/25 上复现。