대규모 언어 모델(Large language models)은 현재 일반적인 벤치마크에서 천장에 가까운 점수를 기록하고 있지만, 이러한 종합적인 측정치는 모델이 단일 학문 분야 내에서 어떻게 행동하는지에 대해 거의 알려주지 않습니다. 기존의 미술 중심 평가들은 합성된 질문(synthetic questions)에 의존하며 문항 수준의 특성을 보고하는 경우가 드뭅니다. 본 논문은 멀티모달 LLM(multimodal LLMs)의 미술사적 지식 및 시각적 추론을 위한 교육 수준 벤치마크인 EduArt를 소개합니다. EduArt는 이탈리아 중등 교육 과정의 연습 문제와 미국의 AP(Advanced Placement) 미술사 시험에서 추출한 871개의 인간 작성 질문으로 구성되어 있으며, 두 개의 언어와 객관식부터 본문 내 단어 배치 및 오류 식별에 이르는 7가지 형식을 아우릅니다. 6개 제공자 계열의 12개 모델을 기본 답변 전용 조건과 서면 근거를 요구하는 동기 부여(motivation) 조건 하에서 평가하였으며, 고전 검사 이론(Classical Test Theory)과 형식, 언어, 이미지 존재 여부 및 모델의 효과를 분리하는 로지스틱 회귀(logistic regression)를 사용하여 특성을 규명했습니다. 이 벤치마크는 강력한 사이코메트릭(psychometric) 특성(평균 변별도 0.514, 82.3%가 양호한 변별자)을 보여주었으나, 6개 모델의 객관식 정확도는 천장에 가깝게 포화되어, 인식 형식(recognition formats)만으로는 최첨단 모델들을 구별할 수 없음을 보여주었습니다. 형식은 정확도의 강력한 독립적 예측 변수였습니다. 객관식에서 94%를 초과한 모델들은 개방형 완성형(open completion)에서는 23.9%로 떨어졌고(Claude Opus 4.6), 오류 식별(error identification)에서는 6.2%로 떨어졌습니다(Claude Sonnet 4.6). 동기 부여 조건은 주로 부정적이고 계열 의존적인 방향으로 정확도를 변화시켰습니다. 이러한 해리(dissociations)는 미술사적 지식과 이를 활용하는 능력이 서로 다른 역량임을 나타내며, 단일 형식의 벤치마크가 모델이 신뢰성 있게 수행할 수 있는 능력을 과대평가하고 있음을 시사합니다. 이러한 역량 프로필을 매핑하는 것은 고정된 옵션 중에서 선택하는 것이 아니라 콘텐츠를 생성하고 조작하는 작업이 요구되는 미술사 연구 분야에서 멀티모달 LLM을 책임감 있게 사용하기 위한 전제 조건입니다.