研究の要点は、単に正しい答えを出すだけでなく、なぜその解法が成り立つのかという「構造的な理解」を大型言語モデル（LLM）が持っているかを調べることです。著者らはそのために「数学的プリミティブ」と呼ぶ短く説明的な観察を定義し、それを使ってモデルの理解力を四つの側面で評価する新しい枠組みを提案します。主な結論は、答えの正しさだけでは見えない能力の差があること、そして「発見（Discovery）」の部分が最大のボトルネックであるということです。

論文で示された「数学的プリミティブ」は、解法を可能にする根本的な性質や着眼点を簡潔に示すものです。著者らは四つの評価軸を定めました。Discovery（問題から独力でプリミティブを見つける能力）、Generation（ゼロショットの連鎖思考で解く能力）、Digestion（正しい解答を与えられたときにそこからプリミティブを抽出する能力）、Execution（プリミティブを与えられたときに解を実行できる能力）です。ベンチマークは Humanity’s Last Exam（HLE）の数学部分の検証済みサブセットを基に構築され、まず GPT-5.4-High が初期注釈を作り、それを大学院レベルの数学者3名が検証して最終評価集合を作成しています。採点は「有効性」「構造の同定」「仕組みの説明」を組み合わせるルーブリックで行われます。

診断の結果、同程度の最終解答正答率の裏に異なる能力プロファイルが隠れていることが分かりました。具体的には、正しいプリミティブを与えるとモデルは大きく実行能力を発揮できる場合が多く、つまり「実行（手続き）」の余地はある一方で、「発見（どの構造が鍵かを見つける）」が足を引っ張る例が多いと報告されています。さらに、発見が原因で失敗しているケースは後訓練による修復が比較的しやすいことも示されています。ただし既存の後訓練手法は、もともと解けていた問題で性能の後退を招くことがあると指摘しています。

これらの知見を踏まえ、著者らはプリミティブを特権情報として使う自己蒸留（self-distillation）の枠組みを提案します。論文ではこの枠組みを \\abs{} と呼び、プリミティブを与えた教師モデルの導き方を生徒モデルに選択的に移し替える仕組みを導入しています。重要な点は、推論時にプリミティブへのアクセスがなくてもその指導を内部化させられる点です。実験では、複数のモデル規模と難しい数学ベンチマークで既存手法より一貫して改善が見られ、平均で2.42～4.48ポイントの上昇を報告しています。

本研究が重要なのは、LLMが示す「解けた」という結果の裏にある理解の有無を分解して測れる点です。どの段階が弱点かが分かれば、単純に正答率を上げるだけでなく、発見能力を狙って改善するなど、より目的に即した訓練や評価が可能になります。一方で制約も明示されています。ベンチマークの構築やプリミティブの注釈には人手による検証が入っており、その品質が評価に影響します。また、既存の後訓練法が学習済みの解法を損なう可能性があるため、修復は慎重な設計が必要だと著者らは注意を促しています。研究は理解を測るための第一歩であり、さらなる検証と手法の安定化が今後の課題です。