热点事件持续更新
研究团队评测大模型奥数证明验证能力并提出MABGrader
1 篇报道1 个报道来源5 小时前更新
先了解这件事
AI 综述
2026年10月28日，研究团队在arXiv发布针对大语言模型奥数证明验证能力的研究成果。该研究基于USAMO 2025专家评分数据集对20个大语言模型进行了系统评测，结果发现前沿模型在可靠批改奥数证明方面仍有很大提升空间。为改善验证表现，研究团队提出了对抗证明生成流水线TROJAN，以及新型评分框架MABGrader。评测数据显示，与现有的SOTA框架ProofGrader相比，MABGrader将评分误差降低了14%，并将Quadratic Weighted Kappa指标提升了26.4%。
AI 根据报道生成 · 5 小时前更新
最新进展10月28日 12:00
研究团队测试20个大模型奥数证明验证能力，并提出MABGrader框架。报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv 人工智能LLM 能否可靠批改奥数证明？一项大语言模型数学验证研究
研究团队针对 LLM 验证奥数证明的能力展开系统评测，基于 USAMO 2025 专家评分数据集测试了 20 个模型，发现前沿模型仍有很大提升空间。团队还提出对抗证明生成流水线 TROJAN 与评分框架 MABGrader，后者相比 SOTA 的 ProofGrader 将评分误差降低 14%，Quadratic Weighted Kappa 提升 26.4%。
本事件热度走势
当前热度 9·可比范围峰值 10（10月28日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。