NYU 定义定理「有趣度」指标,训练 27B 模型自动发现数学
nyuniversity · hf · 2026-09-26
NYU 团队提出量化「定理有趣度」的框架:将一个定理的内在有趣度定义为证明长度与陈述长度之比,并证明该指标与定理下游实用性高度相关。
- 核心原语是「给定前提条件下证明的难度」,团队训练了一个 27B 模型来预测证明难度,准确度超过前沿通用模型
- 按该指标优化后,模型产出的定理与 Mathlib 库的大量/完全重合率从 91.9% 降至 30.6%,生成更多分布外的新数学
- 系统可生成候选定理、筛选最有趣者,并迭代扩展一个自增长的数学库
- 为在形式化数学库中排序猜想、引导证明搜索提供了可量化的实用信号,通向无需人类指定目标、机器自验证的数学库
所属事件:NYU 团队教 LLM 判断定理有趣度，自主数学发现效率提升 4.3 倍(5 条相关)→
「研究」频道最新
- CoRL 热议「agent 太慢」，研究者拆解出三种截然不同的批评 — tomssilver · 2026-11-11
- CoRL 热议「agent 太慢」，研究者拆解出三种截然不同的批评 — tomssilver · 2026-11-11
- CoRL 热议「agent 太慢」，研究者拆解出三种截然不同的批评 — tomssilver · 2026-11-11
- CoRL 热议「agent 太慢」，研究者拆解出三种截然不同的批评 — tomssilver · 2026-11-11
- CoRL 热议「agent 太慢」，研究者拆解出三种截然不同的批评 — tomssilver · 2026-11-11
- 形式化验证让 AI 编码更快：Lean 证明成为 agent 优化护栏 — bigdata · 2026-11-11