arXiv 论文提出 AI 辅助证明评估流程，误判率从 23% 降至 6%
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。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载研究级数学基准的构成
Ramanujan Challenge 面向数论中的研究级问题，题目中包含尚未发表的结果与开放猜想。这些题目给出数学常数的具体公式，正确性可以通过数值方式检验，但证明本身往往需要并不显然的数学工具。论文对挑战的提交结果做了分析，比较不同 AI 模型、计算机代数系统与形式化工具在其中的相对表现。分析发现，部分正确提交在思路上与官方解答存在概念性差异，另有一个已发表开放猜想被给出证明。这些结果说明，该基准的评判不能只依赖与标准答案的比对。
评判复杂证明的第二个难题
评估提交的过程暴露出另一层问题：在规模化的前提下可靠地判断复杂证明是否正确。作者为此提出一套 AI 辅助评估流程，同时面向自然语言写成的证明、CAS 代码以及 Lean 形式化，从语义与逻辑两个层面判断正确性。与常规的一次性 LLM 评判方式相比，该流程在自然语言证明上把误判率从 23% 降到 6%，在支撑代码上的评判准确率从 46% 提高到 58%。这些数字针对的是评判环节本身的表现，而非被评测模型的解题能力。
方法适用范围
作者将这套流程定位为一种在规模化条件下评估研究级数学的方法论，并指出其潜在应用不限于数学，也可延伸到 AI for science 相关场景。论文同时列出所属方向，包括人工智能、计算与语言、符号计算与数论。对于需要评判多种证明表达形式的研究或评测工作，这套流程提供了可参照的做法；材料未披露流程的具体实现细节与适用边界。
为什么值得看
研究级数学正成为新的 AI 评测前沿，而如何可靠评判复杂证明本身也是难题，这套流程给出了可复用的方法。
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。