摘要
近期推理模型在生成研究级数学解答方面取得进展，但验证仍依赖稀缺专家资源。本文提出“基于效用的评估”方法，无需标准答案，通过将候选解作为上下文示例应用于相关可验证问题，依据其下游表现评分。实验表明，该方法在排序质量上显著优于奖励模型及 LLM 裁判，有效提升了大模型在复杂数学推理任务中的评估准确性与区分度。
AI 推荐理由
论文聚焦研究级数学推理的无标准答案评估，直接提升推理能力验证。
研究机构
中国科学院
论文信息