★ 3
研究：LLM 能否可靠批改奥赛数学证明，MABGrader 误差降 14%
论文系统研究 LLM 对奥赛级数学证明的验证能力，构建 USAMO 2025 人工评分数据集，并评测 20 个模型、七项指标。作者提出 TROJAN 对抗证明生成流程与 MABGrader 多臂老虎机评分框架，后者在二次加权 Kappa 上超 SOTA ProofGrader 26.4%，评分误差…
arXiv cs.AI5 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文系统研究 LLM 对奥赛级数学证明的验证能力，构建 USAMO 2025 人工评分数据集，并评测 20 个模型、七项指标。作者提出 TROJAN 对抗证明生成流程与 MABGrader 多臂老虎机评分框架，后者在二次加权 Kappa 上超 SOTA ProofGrader 26.4%，评分误差…