摘要
随着大型推理模型在解决数学问题上的普及，准确衡量其能力至关重要。本文提出一种自动与交互式验证流水线，作为当前仅检查答案的基准测试方法的更精准替代方案。该流水线还能生成形式化与非形式化语言的正确解。架构包含三个可选 AI 代理，核心思想是利用提示词获取特定格式的解，以便借助证明助手进行高效验证，并允许使用小模型（≤8B）。多数据集实验表明误报率极低。
AI 推荐理由
论文聚焦数学解验证，直接评估和提升 LLM 逻辑推理准确性，属核心研究。
研究机构
莫斯科国立大学
华为技术有限公司
论文信息