研究评估证明步骤验证流水线的收益与覆盖成本

Abhinav Gupta 等在一篇 arXiv 论文（已被 NeurIPS 2026 MATH-AI 研讨会接收）中评估了基于开源权重模型的证明步骤验证流水线：该流水线把解题答案改写为类型化步骤，再由 LLM 裁判认证或拒绝。结果显示收益与覆盖率存在明显权衡。 在 GPQA 和 AIME-2025 上，认证使答案精确率分别提升 31 和 46 个百分点，但仅覆盖 35% 和 21% 的尝试；在接近饱和的 MATH-500 子集上最多提升 5 个点，且损失 13-27 个点的覆盖率。 作者说明，这些审计缺乏人工或形式化内核的真值基准。

AI 根据报道生成 · 43 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。