MMLU-college-math

新数据集SymCE训练LLM生成数学反例

研究人员开发了SymCE，这是一个新的数据集和训练环境，旨在提高大型语言模型生成数学定理反例的能力。该方法使用逐定理符号验证器作为奖励函数，解决了模型能够解决正向问题但无法证伪相关错误陈述的已知局限性。使用SymCE和强化学习（特别是GRPO）进行训练表明，虽然单独的监督微调会降低模型在正确定理上的性能，但强化学习能有效修复这一点并增强反例生成能力。