PutnamBench
PulseAugur coverage of PutnamBench — every cluster mentioning PutnamBench across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新AI框架HOA在多项奥赛中取得满分
研究人员开发了HOA，一个旨在增强AI代理在各种奥赛任务中解决问题能力的开放框架。HOA协调多个代理会话，整合独立审阅者的反馈、用于领域特定知识的结构化维基以及用于检查生成证明的验证器。在使用GPT-5.6 Sol进行测试时，HOA在2026年的国际数学奥林匹克（IMO）、国际物理奥林匹克（IPhO）和国际信息学奥林匹克（IOI）中取得了满分，并在PutnamBench和Lean-Eval排行榜等其他基准测试中表现出色。值得注意的是，…
-
新的LEVER算法优化AI证明搜索的成本和质量
研究人员开发了LEVER，一种新颖的证明搜索算法，旨在不仅优化证明的正确性，还优化用户定义的指标，如简洁性、纯粹性和计算成本。LEVER通过对与或图上的部分证明进行评分，将已实现的值与对开放子目标的预测相结合，将这些指标整合到搜索过程中。这种方法允许在搜索过程中进行可编程优化，从而在效率和质量方面取得显著改进。在Lean 4的PutnamBench基准测试中，LEVER将计算成本降低了34%，并将解决率从80%提高到96%，同时在减少…
-
新AI框架通过增强式突变技能进化提升定理证明能力
研究人员开发了SkillEvoLean，一个用于增强大型语言模型在形式化定理证明中能力的框架。该方法采用增强式突变技能进化，它同时更新高级求解策略和参考知识。当标准方法未能找到成功路径时，SkillEvoLean使用突变来采样数学概念并生成新的技能候选。在MiniF2F和PutnamBench等基准测试以及IMO 2025和USAMO 2026问题上使用GPT-5.5进行测试，SkillEvoLean相比基线方法实现了显著更高的证明成功率。
-
LeanPolish 管道通过已验证的编辑增强了 AI 生成的 Lean 证明
研究人员开发了 LeanPolish，这是一个用于 Lean 4 编程语言的符号管道，用于生成已验证的证明编辑，以改进语言模型生成的证明。该系统发布了 33,402 个已接受的编辑和 65,596 个失败的尝试，从而能够研究模型从这种监督中学到了什么。在评估时，使用 LeanPolish 训练的排序器在 70.1% 的保留状态下选择了最佳候选证明，显著优于冻结基线。该管道还增强了证明压缩，增加了在 miniF2F 基准测试上的节省，并…
-
多智能体系统在数学和软件验证中推进自动证明发现 · 跟踪 5 个来源
研究人员开发了先进的多智能体系统，用于形式数学和软件验证中的自动证明发现。其中一个框架 FORALL-LEAN-AGENT 通过结合隔离的工作空间和独立的证明检查来增强可审计推理，提高了成功率并降低了 VeriSoftBench 和 PutnamBench 等基准测试的成本。另一个系统 Cogentic 利用带有协调器和专用智能体的迭代证明-验证循环来解决开放研究问题，使用 Gemini 等模型在复杂的数学和理论计算机科学挑战中展示了新颖的结果。
-
新的MCTS框架用于AI定理证明，凸显了证明审计的必要性
研究人员开发了一种新颖的三角色蒙特卡洛树搜索（MCTS）框架，用于利用大型语言模型进行形式化定理证明。该方法将Lean 4编译器视为奖励预言机，使用其输出作为搜索更新的标量信号，而不将错误消息馈送到生成上下文中。该框架在MiniF2F和PutnamBench等基准测试中表现出改进的性能，并且重要的是，由于奖励黑客攻击问题（模型产生了依赖于非预期机制的可编译证明），揭示了对内核级证明审计的需求。
-
Mistral AI发布Leanstral 1.5，用于高级形式化验证
Mistral AI发布了Leanstral 1.5，这是一个开源模型，专为形式化验证任务设计。该模型拥有60亿活跃参数，并以Apache 2.0许可证提供，在解决复杂数学问题和验证真实世界代码方面表现出显著的改进。Leanstral 1.5在证明工程等领域表现出色，并已在软件存储库中发现了一些先前未知的错误。
-
Pythagoras-Prover 在高效形式证明方面达到最先进水平
研究人员推出了Pythagoras-Prover，这是一系列专为形式推理任务效率而设计的新型定理证明器。这些模型利用课程学习和增强形式化技术来克服已验证数据和证明搜索复杂性的限制。值得注意的是，4B参数版本在一个关键基准上优于一个规模大得多的模型，而32B版本则设定了新的开源最先进水平。
-
DeepSeek V4 驱动 Goedel-Architect 在低成本下赢得数学竞赛
一个名为 Goedel-Architect 的新框架，由 DeepSeek V4 驱动，在 PutnamBench 数学竞赛中取得了 75.6% 的通过率。该框架具有显著的成本优势，成本仅为 294 美元，而类似系统的成本为 170,000 美元。研究人员将性能提升归因于架构创新，而非更优越的硬件。
-
新框架ECP形式化求解数学答案构造问题
研究人员开发了一个名为Enumerate-Conjecture-Prove (ECP) 的新神经符号框架，旨在解决形式数学中的答案构造问题。该框架结合了用于提出候选答案的通用大语言模型和用于生成机器检查证明的专用证明器LLM。ECP在基准数据集上取得了成功，形式化地解决了部分具有可接受答案和证明的答案构造问题，其表现优于现有的LLM基线。
-
AI框架通过新技术提升形式化定理证明能力
研究人员开发了新的框架，利用大型语言模型增强形式化定理证明能力。Goedel-Architect 采用蓝图生成和精炼策略，使用 DeepSeek-V4-Flash 模型在 MiniF2F-test 和 PutnamBench 等基准测试中取得了最先进的性能。Proof-Refactor 专注于提高 LLM 生成证明的模块化、可读性和可维护性，在 PutnamBench 数据集上表现优于现有基线。另一种方法 Compile to Com…
-
LLM针对Lean中的高效形式定理证明进行了优化
两篇新研究论文探讨了在Lean环境中提高大型语言模型（LLM）在形式定理证明中的效率和有效性的方法。第一篇论文介绍了一种动作路由代理，该代理通过使用编译器反馈来指导搜索并降低计算成本，从而优化成本-质量权衡。第二篇论文提出了一种“反馈蒸馏”训练方法，该方法利用语言模型的反馈来改进令牌级别的监督和探索，在生成多样化且成功的证明轨迹方面优于传统的强化学习技术。