并非所有证明都等同：超越正确性评估大语言模型的证明质量

大语言模型虽能生成正确的数学证明，但仅凭正确性不足以衡量其价值。本文提出 ProofRank 基准，从数学竞赛中精选数据，评估证明的简洁性、计算简便性、认知简单性、多样性及适应性。研究发现，不同模型在证明质量上存在显著差异，且质量指标与正确性之间存在权衡。这表明未来的数学推理评估应关注 LLM 生成证明的实际效用，而不仅仅是结果的正确与否。