斯坦福OSVerify审读11篇OpenAI数学预印本,揪出5大13小问题
james_y_zou · x · 2026-10-14
斯坦福团队发布 OSVerify,一个面向「AI 产出速度超过人类评审能力」场景的单边验证框架。
- 核心洞察:检查一个被提出的错误,比判断整个解法对错更容易。OSVerify 把验证解耦为「错误提议」(在各粒度搜索潜在错误)和「错误确认」(只确认实质性错误)两步,目标是尽可能多拒绝无效解、同时把误杀有效解的比例(FNR)控制在预算内。
- 实战成果:对 11 篇 OpenAI 数学预印本做「审稿」,发现 5 个重大、13 个次要问题,全部经人类专家确认;还配合数学 agent 帮助推进了 Manin 常数猜想等 4 个公开猜想的证明。
- 基准数据:在 FNR≤5% 约束下,OSVerify 相比投票法平均减少 46% 需专家复核的无效解(gpt-oss-120b);经 RL 训练的验证器可提升到 57%,Putnam100 上从 38.4 提升至 89.6(TNR)。
- 论文与代码已开源(作者含 Stefano Ermon、James Zou)。
所属事件:斯坦福OSVerify审出OpenAI数学论文多项问题(3 条相关)→
「研究」频道最新
- Snap 号称首个全次二次语言模型上线,任意输入长度单 token 算力恒定 — ryanallred · 2026-10-14
- KnitNet 结合生成模型与验证器优化,攻克 RNA 伪结逆设计 — chaitjo · 2026-10-14
- WOVEN 基准：38 个前沿 MLLM 视觉转场推理集体不敌人类 — MLL-Lab · 2026-10-14
- ETH Zurich 研究：窄域多模态微调可诱发跨任务涌现性失调 — Shunchang Liu · 2026-10-14
- HyperThink：超网络一次前向预付推理计算，替代长思维链 — Donggyun Kim · 2026-10-14
- 经济学家用 AI 智能体模拟发放横财访谈：一个 AI 深陷遗产规划 — soumitrashukla9 · 2026-10-14