本研究评估了大型语言模型在组合数学问题解决中的不足，并提出了Combi-Puzzles数据集进行比较。结果表明，基于GPT-4的模型在解题正确率上显著优于其他模型和人类，且问题表述的修改对大型语言模型的影响显著。