「数学评测」共找到 952 篇相关文章
Auto-Research「终极大考」：新基准撕下大模型科研伪装
来自多所高校的研究者提出MLS - Bench，用于解决现有Auto - Research评测的归因问题。它含140个真实研究任务，校准受控修改范围，主实验显示当前模型在方法发现上有明显缺口，Auto - Research需更严格评测标准。
字节Seed数学新模型，SOTA了
字节发布全新复杂数学解决模型Seed-Prover，全面超越谷歌AlphaGeometry2，在MiniF2F数据集达100%正确率。它采用引理式证明，集成几何推理引擎Seed-Geometry，还展现了卓越泛化能力。
Gemini证明数学新定理！全程没联网
Gemini内部数学版学霸模型FullProof全程不联网，帮数学家证明代数几何领域新定理，即0亏格映射到旗簇空间的motivic类等价结论。它埋下关键思路伏笔、独立给出反例，比Macaulay2更优。
多模态Deep Research，终于有了「可核验」的评测标准
俄亥俄州立大学与 Amazon Science 等联合发布 MMDR - Bench，将多模态 Deep Research 评估拉到可核验标准。它含 140 个专家任务，覆盖 19 领域，把评估拆成 3 段管线、12 指标，强调过程证据链。
菲尔兹奖得主：AI现在主要靠「抬杠」突破重大数学猜想
1998年菲尔兹奖得主Gowers发现，最近AI在数学界的轰动突破，如雅可比猜想、Erdős单位距离猜想等，多靠“找反例”实现。他指出AI热衷此，因知道得多且试得起，但目前缺“嗅觉”。
103K「硬核」题，让大模型突破数学推理瓶颈
现有大语言模型在数学推理训练时面临数据瓶颈，腾讯AI Lab与上海交大团队推出DeepMath - 103K数据集。它规模大、难度高、数据新颖、严格去污染，让DeepMath系列模型达SOTA，还能实现推理泛化。
世界模型评测的最大盲区，被这个新基准捅破了
过去一年，‘世界模型’成视频生成领域热词，厂商强调产品要模拟真实世界运行规律，但业界评测一直未能精准检验其‘物体恒存’的认知能力。为此，研究者提出新基准MemoBench，测试了主流模型，揭示其短板。
刚刚，GPT-5首次通过「哥德尔测试」！破解三大数学猜想
GPT - 5首次通过「哥德尔测试」，破解三大组合优化猜想。研究由海法大学和思科主导，团队设计五项测试任务，GPT - 5在三个简单问题上近乎完美，还推导出不同解法，标志AI从「学习数学」迈向「做数学」。
谷歌Gemini 3杀疯了！陶哲轩亲测：10分钟干翻百年数学难题
Gemini 3本周一发布后开启横扫基准测试之旅。在FrontierMath基准测试创纪录，Epoch能力指数超GPT - 5.1。陶哲轩用Gemini Deepthink十分钟解决埃尔德什问题关键证明，同时它还霸榜物理基准测试CritPt。
DeepMind爆火论文：向量嵌入模型存在数学上限，Scaling laws放缓实锤？
DeepMind一篇关于向量嵌入局限性的论文在AlphaXiv爆火。其证明向量嵌入有数学上限，Scaling laws或放缓。研究构建LIMIT数据集，测试发现即便是先进嵌入模型也难解决简单任务，揭示了RAG系统约束，让人反思Scaling Laws边界。