LLM编码代理攻克编码论开放问题并刷新12项下界
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
Abraham Yeung花费五周利用大语言模型编码代理探索编码论开放问题（如寻找编辑距离下保持远距的四字母DNA条码集）。代理编写验证与搜索代码，人类设定验证协议。引入规定对称性这一经典技巧后，问题规模缩减约四倍，将长度6、最小编辑距离3的最优已知码字数从114提升至120，并改善长度6至9、距离3至6范围内的12项下界。研究同时揭示代理的严重缺陷：中间结果被误认为事实而不再复核，导致错失最优解或误判方法不可行，单次失误即耗费三周，且最终输出检查无法拦截此类错误。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载代理辅助数学发现
Abraham Yeung耗时五周，将大语言模型编码代理应用于编码论开放问题，目标是寻找在编辑距离下保持远距的大规模四字母词集（如DNA条码）。工作流中，代理负责编写验证器与搜索代码，人类则负责挑选问题及制定验证协议。通过限制搜索至具备规定对称性的码，这一经典技巧将问题规模缩减约四倍。该流程成功将长度6且最小编辑距离3的最优已知码字数从114提升至120，并同步改善了长度6至9、距离3至6范围内的另外12项下界。
中间结果固化陷阱
研究给予失败案例同等篇幅，深刻揭示了代理在数学推理中的结构性缺陷。人类自身搜索止步于116，并记录某对称类上限为112；而另一运行相同搜索但操作更优的代理会话则找到了120的解。更严重的是，代理曾判定该方法无法推广至长度7，该错误判定同样源于中间结果被写下后未再复核，便被当作排除进一步搜索的事实，单次此类失误即耗费三周时间。研究表明，仅靠协议要求的最终输出检查，根本无法拦截此类将中间结论固化为事实的隐蔽错误。
为什么值得看
展示LLM代理在数学研究中的双重作用：既能刷新多项理论下界，又极易因中间结果固化产生隐蔽且耗时的推理缺陷。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。