통합검색

문제를 잘게 나누면 인공지능(AI)가 더 어려운 문제도 풀 수 있을까?

작은 문제의 답을 다음 문제에 전달하는 least-to-most 연구는 분해의 개수보다 의존 순서와 분해 자체의 정확성이 중요함을 보여 줍니다.

Least-to-Most Prompting Enables Complex Reasoning in Large Language Models

인공지능(AI)가 한 문제를 푸는 동안 그 문제 주변의 변형을 새로 학습하면 증명력이 올라갈까?

AlphaProof는 Lean 검증 환경, 대규모 자기학습과 문제별 시험시점 강화학습을 결합해 2024 IMO 비기하 5문제 중 3문제를 풀었지만 막대한 계산비용과 형식화 범위가 제한입니다.

Olympiad-level Formal Mathematical Reasoning with Reinforcement Learning

쉬운 부등식을 합성한 문제에서 증명 인공지능(AI)가 갑자기 약해질까?

Ineq-Comp v2를 바탕으로 익숙한 부등식의 변수 복제·대수 재작성·다단계 합성이 현재 Lean 증명 모델의 구성적 일반화를 크게 흔드는지 살펴봅니다.

Ineq-Comp: Benchmarking Human-Intuitive Compositional Reasoning in Automated Theorem Proving on Inequalities

첫 측정이 극단적이면 다음에도 그대로일까?

첫 측정 88 이상만 고르면 처치 없이도 평균이 92에서 86으로 내려가는 예시로, 자연스러운 재측정 변화와 개입 효과를 분리합니다.

증명 인공지능(AI)를 비교하려면 같은 문제를 여러 형식체계로 옮겨야 할까?

miniF2F는 올림피아드 수준 문제를 여러 증명 보조기 형식으로 맞춰 신경 정리증명기의 비교 기반을 만들었습니다.

MiniF2F: a cross-system benchmark for formal Olympiad-level mathematics