AITOP

数学推理

共 82 条相关 AI 资讯
7月1日
09:23
09:23官方一手arXiv: DeepSeek@Gaurab Baral, Aaditya Khanal, Yangyang Tao, Junxiu Zhou
精选
该论文研究从大型推理模型DeepSeek-R1蒸馏知识到紧凑学生模型Qwen2.5-7B。使用2011-2025年约翰·奥布莱恩数学竞赛问题构建CoT训练语料，通过LoRA在Apple Silicon上微调。基础Qwen2.5-7B准确率64.67%，教师DeepSeek-R1达91.40%。五次独立微调后学生模型平均准确率69.43%（标准差0.17%），比基础模型提升4.76个百分点，并在MATH-500上泛化至73.1%（标准差0.18%）。研究还发现回答长度从平均220词降至31.2词时，准确率从69.43%降至41.9%。
论文DeepSeek-R1Qwen2.5-7B知识蒸馏
推荐理由：这篇论文告诉你：把DeepSeek-R1的推理能力蒸馏到小模型Qwen2.5-7B上，MATH-500能到73%，但回答越短准确率掉得越快。
原文
02:50
6月16日
12:20
12:20官方账号arXiv cs.LG@Violet Xiang, Amrith Setlur, Chase Blagden, Nick Haber, Aviral Kumar
ExpRL提出一种自动化方法，通过基于强化学习的中间训练来提升LLM推理能力。该方法不直接模仿参考解决方案，而是将其作为奖励支架，利用LLM裁判对比策略生成的推理轨迹与参考解，给出稠密奖励。在具有挑战性的数学推理任务上，ExpRL相比SFT、稀疏奖励GRPO和自蒸馏方法，能提供更强的RL初始化和更好的最终性能。此外，混合领域实验表明ExpRL可扩展至数学以外的场景。
论文ExpRLLLM强化学习
推荐理由：这篇论文用参考答案做奖励支架，让模型自己探索推理路径，数学推理效果超过了SFT和GRPO，想提升推理能力的可以看看。
原文
6月12日
13:07
11:42
11:42官方账号arXiv cs.AI@Zilin Xiao, Qi Ma, Chun-cheng Jason Chen, Xintao Chen, Avinash Atreya, Hanjie Chen, Vicente Ordonez
传统RAG基于语义相似度检索，不适合复杂推理任务：语义相似的问题可能解法不同，而表面不同的问题可能共享相同推理模式。RA-RFT提出一种后训练框架，通过黄金相关性蒸馏训练检索器，按预期推理收益而非语义重叠排序上下文，再用强化微调方法结合检索到的类比示例微调策略模型，使其学会利用推理轨迹。在数学推理基准上，RA-RFT持续优于标准强化微调方法，例如在AIME 2025上，对Qwen3-1.7B和Qwen3-4B分别提升7.1和2.8个点。这表明推理感知检索是独立于奖励设计或训练课程的改进维度。
论文检索增强生成类比推理强化微调
推荐理由：做复杂推理的AI研究者终于有了一个不依赖语义相似度的检索框架——RA-RFT让模型学会类比推理，数学基准提升显著，做RAG或强化微调的团队值得关注。
原文
6月10日
09:12
6月9日
10:26
10:26官方账号arXiv cs.AI@Shumeng Yang, Yisu Liu, Jiayi Zheng, Zhaohui Yang, Linjing Li
精选
论文提出PAEC（位置感知熵校准）方法，解决强化学习（RLVR）中策略熵过早崩溃的问题。传统全局熵正则化对所有位置均匀增加熵，在长推理轨迹中效率低下。PAEC通过局部top-p熵和top-two候选竞争构建软掩码，对决策敏感位置施加基于锚点的下界惩罚，防止这些位置的熵崩溃。在五个数学推理基准测试中，PAEC相比强RLVR基线提升了多数投票的宏平均性能，尤其在AIME类任务上增益明显。结果表明，推理RL中的熵管理应聚焦于决策敏感位置的选择性探索，而非均匀随机注入。
论文强化学习推理模型熵校准
推荐理由：做LLM推理强化学习的团队终于有了更精细的熵控制方案——PAEC在数学推理任务上直接提升多数投票性能，做RLVR的开发者值得关注这个位置感知的新思路。
原文
6月8日
09:23
09:23官方账号arXiv cs.AI@Yuxiang Chen, Jun Wang
精选72°
一项新研究对DeepSeek-R1-0120模型与人类在AIME 2025数学竞赛30道题上的推理过程进行了全面比较，标注了10247个推理步骤。研究发现，DeepSeek-R1的推理存在“拓扑模仿”现象：它频繁进行浅层验证和局部循环，缺乏人类推理中紧凑的分析与演绎交替结构。然而，成功的推理轨迹显示出稳定的分支和回溯使用，而失败的轨迹则过度或不足使用探索性动作。反思只有在演绎推理中才有效，陷入分析循环的反思往往忽略全局逻辑错误。研究建议改进评估和训练，包括测量跨轨迹稳定性、惩罚“空转”轨迹、鼓励深层逻辑修正。
论文推理模型DeepSeek-R1数学推理
推荐理由：这篇论文戳穿了当前长链推理模型的表面繁荣——做AI推理研究的团队会发现，模型可能只是在模仿推理的“样子”而非真正进步，值得细读其提出的改进方向。
原文
6月6日
08:27
08:27rohanpaul_ai@rohanpaul_ai
Anthropic 表示其 80% 的新生产代码由 Claude 编写，标志着 AI 编程在大型科技公司中的深度应用。Google 新论文显示通用 LLM 通过规划证明和逐步检查，在形式数学任务上从低于 10% 提升至 70% 的准确率。Google 开源 Gemma 4 12B 模型，支持音频和视频分析，可在消费级 16GB GPU 上完全本地运行。阿里巴巴发布 Qwen3.7-Plus，支持文本、视频和图像输入，价格低廉但保持闭源。Anthropic 的化学报告也展示了令人惊讶的结果。
行业AnthropicClaudeGoogle
事件专题
推荐理由：AI 编程和数学推理的突破正在改变开发和研究方式，做 AI 应用或数学研究的团队值得关注这些进展，尤其是 Claude 的代码生成和 Gemma 4 的本地部署能力。
原文
6月5日
16:38
6月3日
23:54
23:54elvis@omarsar0
76°
Google 发布新研究 LEAP（Lean-Enhanced Agentic Programming），通过将通用大语言模型封装在智能体框架中，每一步都基于 Lean 编译器进行验证，并迭代利用验证器反馈。该框架使同一个通用模型解决了全部 12 道 Putnam 2025 数学竞赛题，并将 Lean-IMO-Bench 的一次性求解率从不到 10% 提升至 70%，超越了得分为 48% 的专用金牌系统。这项研究展示了定制智能体框架在数学推理任务上的巨大潜力，论文已发布在 arXiv 上。
论文智能体数学推理Lean
推荐理由：做数学推理或智能体开发的团队值得关注——LEAP 用通用模型+验证反馈循环就超越了专用系统，说明智能体框架设计比模型本身更关键，建议点开论文看具体架构。
原文
6月2日
11:08
11:08官方账号arXiv cs.AI@Xiang Li, Jiwei Wei, Ke Liu, Yitong Qin, Jinyu Guo, Malu Zhang, Peng Wang, Yang Yang
eMoT 提出了一种名为“演化思维记忆”的新框架，将推理轨迹视为动态演化的记忆而非静态模板，以解决大模型在多步推理中的幻觉和数值计算问题。该框架包含三个核心模块：记忆腐蚀机制（强化高效用推理结构并衰减低频结构）、符号锚定引擎（利用 Python 进行确定性计算，类似人类使用计算器）以及一致性驱动精炼过程（对齐神经推理与符号结果，减少逻辑偏差）。在 Game of 24 任务上，eMoT 达到 100% 准确率，比基线提升 17.6%；在 GSM8K、ASDiv、SVAMP 和 MGSM 等数学推理基准上也有持续改进。即使使用轻量级模型，eMoT 也优于依赖大规模模型的方法，表明性能提升主要来自框架的推理控制而非模型规模。
论文推理模型记忆机制符号锚定
推荐理由：eMoT 解决了大模型在多步推理中容易出错和产生幻觉的痛点，做推理增强或数学推理的开发者可以直接参考其记忆腐蚀和符号锚定机制，值得一试。
原文
5月29日
13:07
13:07官方一手arXiv: DeepSeek@Nishal Thomas, Noel Thomas
精选
一项针对数学推理基准 MathCheck（ICLR 2025）的审计发现，其 129 个问题组中有 4 个（3.1%）语义错误的改写，移除后 GPT-4o 从第 2 名跌至第 4 名，Claude Haiku 和 DeepSeek V3 排名上升。跨模型一致性检查（至少 3/4 模型一致）能以不到 10 美元成本自动发现这些错误。在作者自己的数据集中，47% 的自动生成改写存在语义错误。更严重的是，Claude Haiku 4.5 准确率 86% 但语义一致性率（SCR）仅 50%，意味着半数定理在语义等价改写下答案不同；9 个前沿模型准确率差距仅 10 个百分点（86-96%），但 SCR 差距达 32 个百分点（50-82%）。论文提出 FormInv 协议，包括审计方法、SCR 和 Cochran's Q 度量，以及用于场景感知模型选择的 FormInvSelector。
论文基准测试语义不变性数学推理
推荐理由：基准测试的排名可能因语义改写而失真，做模型评估或选型的团队值得关注——你的排名可能选错了赢家。
原文
13:01
13:01官方一手arXiv: DeepSeek@Zihang Li, Rui Zhou, Yingcheng Shi, Wenhan Yu, Zhewen Tan, Zixiang Liu, Zeming Li, Binhua Li, Yongbin Li, Tong Yang, Jieping Ye
72°
ESPO（Early-Stopping Proximal Policy Optimization）是一种针对大语言模型强化学习训练的新方法，能在推理轨迹中早期检测到错误步骤并提前终止生成。传统PPO算法在模型犯错后仍会强制生成直到最大步长，浪费计算资源并污染优势估计。ESPO通过实时计算基于logits的代理遗憾值，在累积遗憾显著超过估计值时终止轨迹，并将截断轨迹视为吸收失败状态，无需额外奖励模型或人工标注。在DeepSeek-R1-Distill-Qwen-7B的数学推理训练中，ESPO在AIME 2024、AMC 2023和MATH-500上均超越PPO，同时累计节省超过20%的生成token。
论文强化学习PPO数学推理
推荐理由：做LLM强化学习训练的团队终于有了一个能省算力又提效果的方法——ESPO在数学推理任务上不仅性能更好，还省了20%的token，训练成本敏感的团队值得一试。
原文
5月28日
11:27
11:27官方账号arXiv cs.AI@Jiazhen Huang, Xiao Chen, Xiao Luo, Yong Dai, Senkang Hu, Yuzhi Zhao
精选
本文提出 Skill-Conditioned Gated Self-Distillation (SGSD) 方法，用于改进大语言模型的推理能力。传统自蒸馏方法依赖可信的先验信息（如参考答案），而 SGSD 从经验技能库中检索技能-错误对，构建多教师池，通过验证器判断教师极性，并设计门控目标函数来蒸馏有效信息。在多个数学推理基准上，SGSD 在 Qwen3-1.7B 上平均比 GRPO 提升 6.2%，比 OPSD 提升 1.7%，且对先验信息的假设更弱。代码已开源。
论文推理模型自蒸馏数学推理
推荐理由：做 LLM 推理优化的研究者可以关注——SGSD 用技能库替代参考答案作为先验，降低了蒸馏对标注数据的依赖，数学推理场景效果显著，值得在自蒸馏框架中尝试。
原文
5月27日
19:06
19:06IT之家（博客/媒体）
76°
Anthropic 工程师 Sholto Douglas 宣布，其 Claude Mythos 模型成功解出了 1946 年提出的“平面单位距离猜想”。该难题此前由 OpenAI 的 GPT-5.5 模型攻克。Douglas 表示，Claude Mythos 给出了一份“巧妙而简洁”的证明，并认为这显示了 AI 在数学发现领域的巨大潜力。测试中，团队搭建了多实例系统，让多个 Claude Code 实例独立探索证明路径，再汇总优化。数学家 Daniel Litt 评价称，Mythos 的结果“略逊于”OpenAI 的版本。
AI模型Claude MythosGPT-5.5数学推理
事件专题
推荐理由：AI 连续攻克经典数学难题，证明大模型在数学推理上正在突破边界。对数学研究者和 AI 能力观察者来说，这是值得关注的里程碑——Claude 的解法虽稍逊，但思路独特，建议点开对比两家思路。
原文
02:50
02:50官方账号Decoder@Matthias Bastian
76°
继 OpenAI 推翻 Erdős 单位距离猜想后，Anthropic 的 Claude Mythos 模型在周末独立解决了同一问题。工程师 Sholto Douglas 称 Mythos 给出了一个“可爱、简单的证明”，这被视为 AI 驱动数学发现中“严重悬而未决”的迹象。该问题源于 1946 年的 Erdős 猜想，此前被认为极具挑战性。这一事件凸显了 AI 在数学推理领域的快速进步，以及不同模型间能力的重叠。
AI模型Claude Mythos数学推理Erdős 问题
事件专题
推荐理由：数学和 AI 研究者值得关注——Claude Mythos 用简洁证明攻克了经典难题，说明 AI 在数学发现上的潜力远超预期，建议点开看看这个“可爱”的证明细节。
原文
5月26日
10:28
5月25日
19:02
19:02官方账号Decoder@Matthias Bastian
83°
Google DeepMind 的 AlphaProof Nexus 系统自主解决了九个开放的 Erdős 问题，其中两个困扰数学家长达56年，每个问题的推理成本仅需数百美元。与 OpenAI 的自然语言方法不同，该系统使用 Lean 编译器自动验证每一步证明，确保结果严谨可靠。不过，整体成功率仅为2.5%，表明 AI 在数学推理领域仍有巨大提升空间。这一成果展示了 AI 在解决高难度数学问题上的潜力，可能加速数学研究进程。
AI模型AlphaProof Nexus数学推理Lean编译器
事件专题
推荐理由：数学研究者和 AI 推理方向开发者值得关注——AlphaProof Nexus 用极低成本攻克了人类多年未解的难题，虽然成功率低，但证明了形式化验证路径的可行性，建议点开了解其技术细节。
原文
04:04
04:04Gary Marcus@GaryMarcus
精选76°
DeepMind团队使用神经符号方法（neurosymbolic）成功解决了9个开放的Erdos问题，工作比OpenAI更细致、定量化。该方法结合了LLM和Lean证明助手，实现自主推理，仅在形式验证通过后才进行人工审核。Gary Marcus评论称，OpenAI可能因知道DeepMind即将发布而仓促推出自己的方案。这一进展展示了神经符号方法在数学推理中的潜力，也引发了关于研究竞争和严谨性的讨论。
AI模型神经符号DeepMindErdos问题
事件专题
推荐理由：DeepMind用神经符号方法严谨解决数学难题，做AI推理或形式验证的开发者值得关注——这比纯LLM方案更可靠，也暗示了未来研究的方向。
原文
5月24日
13:04
5月23日
06:43
06:43rohanpaul_ai@rohanpaul_ai
76°
Google DeepMind 发表新论文，展示 AI 系统 AlphaProof Nexus 能在形式化数学证明中进行搜索，但仅限于精心约束的世界。该系统使用 Lean 证明检查器，让 LLM 不断编辑形式化证明、读取编译器错误并重试，同时维护共享的局部证明池来指导搜索。在测试中，该系统解决了 9 个 Erdős 问题和 44 个序列猜想，并协助优化、图论、代数几何和量子光学领域的问题。失败案例同样有启示性，揭示了 LLM 在数学推理中隐藏错误的方式。该工作并非实现完全数学自主，而是建立了人机协作的新分工：人类选择问题，模型提出路径，证明助手严格验证。
论文形式化证明LeanAlphaProof Nexus
推荐理由：这篇论文展示了 AI 在数学证明中的实际进展，做形式化验证或数学研究的团队值得关注——它把 LLM 从“讲故事”变成“可验证的候选生成器”，直接解决了幻觉问题。
原文
5月22日
15:16
11:11
11:11官方账号arXiv cs.AI@George Tsoukalas, Anton Kovsharov, Sergey Shirobokov, Anja Surina, Moritz Firsching, Gergely Bérczi, Francisco J. R. Ruiz, Arun Suggala, Adam Zsolt Wagner, Eric Wieser, Lei Yu, Aja Huang, Miklós Z. Horváth, Andrew Ferrauiolo, Henryk Michalewski, Codrut Grosu, Thomas Hubert, Matej Balog, Pushmeet Kohli, Swarat Chaudhuri
精选72°
研究人员首次大规模评估了用大语言模型生成形式化证明（Lean 语言）解决开放数学问题的能力。其最强大的智能体以每个问题几百美元的成本，自主解决了 353 个开放 Erdős 问题中的 9 个，并证明了 492 个 OEIS 猜想中的 44 个。该智能体已被部署在组合数学、优化、图论、代数几何和量子光学研究中。一个更基础的智能体（交替 LLM 生成与 Lean 验证）也复现了 Erdős 问题的成功，但在最难问题上成本更高。这些结果展示了 AI 辅助形式化证明搜索的潜力，并揭示了实现这一能力的智能体设计。
论文形式化证明Lean大语言模型
推荐理由：数学研究者终于有了能真正解决开放问题的 AI 工具——成本可控且覆盖多个数学分支，做组合数学或图论的人可以直接用这个智能体尝试自己的猜想。
原文
10:43
10:43官方一手arXiv: DeepSeek@Yuyang Wu, Qiyao Xue, Guanxing Lu, Weichen Liu, Zihan Wang, Manling Li, Olexandr Isayev
精选
CLORE 是一种针对大语言模型推理效率的内容级优化框架。它通过外部增强模型对正确的推理轨迹进行编辑，删除重复、不清晰或任务无关的内容，以及答案确定后的多余推理，同时保留最终答案。编辑后的轨迹与原始轨迹构成对比对，通过无参考的 DPO 目标与标准策略梯度训练联合优化。在 DeepSeek-R1-Distill-Qwen-7B 和 Qwen2.5-Math-7B 上的数学推理基准测试中，CLORE 提升了准确率与效率的平衡，并与 GRPO、DAPO 等方法兼容。内容级分析表明，CLORE 能有效减少重复推理、不清晰内容和答案后的探索，为长度级控制提供了互补方向。
论文推理效率内容优化DPO
推荐理由：CLORE 解决了推理模型输出冗长、重复的痛点，做推理优化或部署长链模型的团队可以直接参考其内容级编辑方法，比单纯限制长度更精细。
原文
08:05
08:05The Rundown AI@therundownai
OpenAI 在数学领域取得突破，破解了一个困扰学界 80 年的数学猜想，展示了 AI 在基础科学推理上的潜力。Google 的 AI Co-Scientist 系统开始进入实验室实际应用，辅助科学家进行实验设计。此外，Anthropic 推出 Claude 上下文审计功能，帮助用户了解 AI 如何理解自己的工作。Emergence 公司发起五镇 AI 对齐挑战赛，探索多智能体协作中的价值观对齐问题。本周还有 4 款新 AI 工具和社区工作流发布，值得关注。
行业OpenAIGoogleAI Co-Scientist
事件专题
推荐理由：数学和科学研究者会看到 AI 如何从工具变成合作者——OpenAI 的突破和 Google 的实验室应用都指向同一个方向：AI 正在改变科研范式，做基础研究的团队值得跟进。
原文
08:05
08:05rohanpaul_ai@rohanpaul_ai
83°
一项实验表明，通用型大语言模型（LLM）在获得足够测试时计算资源后，能够产生前沿数学研究。具体而言，一个普通的OpenAI模型成功将代数数论与平面几何联系起来，并利用这一桥梁击败了一个存在数十年的猜想。这揭示了前沿模型可能已经包含有用的潜在数学能力，而瓶颈部分在于允许它们思考的时间和方式。该发现对AI在科研领域的应用具有重要意义，表明通过延长推理时间，通用模型也能突破传统局限。
论文LLM数学推理前沿研究
事件专题
推荐理由：这项发现打破了“只有专用模型才能做前沿研究”的认知，做AI科研或数学研究的团队值得关注——它意味着你的通用模型可能比想象中更聪明，只是需要给它更多思考时间。
原文
5月21日
14:34
14:34AI Will@FinanceYF5
91°
OpenAI 的 AI 模型首次自主解决了数学领域一个长达 80 年的开放问题——Erdős 1946 年提出的“平面单位距离问题”。此前学界普遍认为最优解类似网格结构，但 AI 发现了更优的新构造。这是 AI 首次在没有人类引导的情况下独立攻克数学核心开放问题，标志着 AI 在数学研究中的历史性突破。该成果展示了 AI 在复杂数学推理和模式发现方面的潜力，可能改变未来数学研究的方式。
AI模型OpenAI数学推理平面单位距离问题
事件专题
推荐理由：数学研究者和 AI 爱好者会震惊——AI 首次独立解决了一个困扰人类 80 年的数学难题，这意味着 AI 不再是辅助工具，而是能自主发现新知识的伙伴。建议点开看看，见证历史。
原文
12:11
12:11官方账号arXiv cs.LG@Kaiyi Zhang, Wei Wu, Yankai Lin
精选
DelTA提出了一种新方法，解决强化学习从可验证奖励（RLVR）中训练大语言模型时，token级信用分配不准确的问题。研究发现，标准RLVR更新中，高频格式token会主导梯度方向，掩盖真正区分高/低奖励的关键token。DelTA通过估计token系数，放大判别性方向、抑制共享模式，使更新更聚焦于推理关键步骤。在7个数学基准上，DelTA在Qwen3-8B和14B上分别平均提升3.26和2.62分，代码生成和跨领域任务也验证了其泛化能力。
论文强化学习Token信用分配推理模型
推荐理由：做RLHF或推理模型训练的团队，终于有了一个能精准分配token级信用的方法——DelTA解决了高频格式token淹没关键信号的问题，数学和代码任务上效果显著，值得在自家模型上试试。
原文
10:07
10:07官方一手arXiv: DeepSeek@Zhaohui Zheng, Chenhang He, Shihao Wang, Yuxuan Li, Ming-Ming Cheng, Lei Zhang
精选
论文提出Digit Entropy Loss（DEL），一种用于大语言模型（LLM）数值学习的新损失函数。现有方法如Number Token Loss和Discretized Distance Loss分别导致数字分布过尖锐或过平坦，而DEL通过将无监督熵优化改造为有监督形式，并摒弃数值距离项，解决了这一问题。DEL支持整数、小数和小数点，将学习目标从单个数字扩展到浮点数域。在CodeLlama、Mistral、DeepSeek和Qwen-2.5等四个代表性LLM上的七个数学推理基准测试中，DEL在预测准确性和数值距离上均优于现有方法。
论文数值学习损失函数数学推理
推荐理由：数值预测是数学推理和代码生成的基础能力，DEL直接改进了LLM对数字的学习效果。做数学推理或代码生成模型训练的团队，值得关注这个新损失函数，它简单有效且开源可用。
原文
08:01
07:59
07:59
07:59Ethan Mollick@emollick
72°
2024年6月，通用大模型连草莓里有多少个r都数不清；2025年7月，最新模型已在国际数学奥林匹克竞赛中获得金牌；到2026年5月，模型甚至解决了组合几何中一个著名难题。这一系列对比展示了LLM在数学推理能力上的飞速进步，从基础计数到顶尖竞赛再到前沿研究，仅用两年时间。
AI模型LLM数学推理IMO金牌
推荐理由：数学推理是AI能力的硬指标，从数不清草莓到IMO金牌再到解决几何难题，这个时间线让所有关注AI能力边界的开发者震撼——建议点开看看，你会对模型进化速度有全新认知。
原文
07:48
07:48官方账号Greg Brockman@gdb
91°
OpenAI的一个模型在数学领域取得重大突破，自主推翻了一个自1946年由Paul Erdős提出的离散几何核心猜想——平面单位距离问题。近80年来，数学家们一直认为最优解近似于方形网格，但该模型发现了一类全新的、表现更优的构造。这是AI首次自主解决一个数学领域的著名开放问题，标志着AI在数学研究中的里程碑式进展。
论文OpenAI数学推理离散几何
事件专题
推荐理由：数学家和AI研究者会震惊——AI第一次独立解决了困扰人类80年的核心猜想，这不仅是数学的突破，更是AI推理能力的质变，值得所有关注AI前沿的人点开。
原文
07:43
07:43官方账号Sam Altman@sama
83°
OpenAI CEO Sam Altman在X上宣布，一个通用模型成功解决了一个数学领域的重大开放问题，他认为这是AI发展的重要里程碑。Altman表示，虽然他对AI扩展人类对世界的理解感到兴奋，但今天心情复杂。菲尔兹奖得主Timothy Gowers提醒数学家们坐稳再看详情。这一事件标志着通用AI在数学推理上取得突破性进展。
AI模型通用模型数学推理重大突破
事件专题
推荐理由：数学家和AI研究者都会震惊——通用模型攻克了人类长期未解的数学难题，这不仅是技术突破，更可能改变数学研究范式。建议点开看看具体是哪个问题被解决。
原文
5月20日
10:46
10:46官方一手arXiv: DeepSeek@Shuyu Wei, Jian Sun, Delai Qiu, Yining Wang, Shengping Liu, Jiaen Liang, Ying Fu, Wei Huang, Jitao Sang
精选
针对大语言模型推理中响应长度与准确率的权衡问题，研究者提出条件熵塑形（CES）框架。CES基于DAPO，利用token级熵作为不确定性信号，对正确推理路径的高熵“分叉点”进行惩罚以提升简洁性，对错误路径的高熵点给予奖励以鼓励探索。在DeepSeek-R1-Distill-7B上测试12个数学基准，CES在保持或提升准确率的同时显著缩短响应长度，在1.5B小模型和域外基准上也有类似效果。该方法为自适应推理提供了新思路，尤其适合需要高效准确推理的场景。
论文推理模型熵塑形响应长度优化
推荐理由：做LLM推理优化的团队终于有了一个能同时提升准确率和缩短响应长度的方案——CES框架在数学推理任务上效果显著，建议做模型推理效率的开发者点开看看具体实现。
原文
10:36
10:36官方账号arXiv cs.AI@Husnain Amjad, Raja Khurram Shahzad, Aamir Shahzad, Mehwish Fatima
精选
这篇综述系统梳理了大型语言模型在数学推理领域的最新进展，涵盖约120篇论文。文章提出了统一的数学数据集分类法，区分了预训练语料、监督微调资源和评估基准。它分析了推理架构和训练策略（如工具集成、验证器引导推理、参数高效微调）对鲁棒性和泛化能力的影响。比较评估揭示了最终答案准确率与过程级推理验证之间的差距。最后，论文指出了常见失败模式（如推理忠实性问题、基准偏差）和未来研究方向。
论文推理模型数学推理综述/论文
推荐理由：做LLM推理研究或评估的团队，这篇综述帮你系统梳理了120篇论文的脉络，直接拿来当研究起点，省去大量文献筛选时间。
原文
10:24
10:24官方账号arXiv cs.AI@Yuze Zhao, Junpeng Fang, Lu Yu, Zhenya Huang, Kai Zhang, Qing Cui, Qi Liu, Jun Zhou, Enhong Chen
精选72°
这篇论文通过控制预训练实验，重新审视了代码训练对语言模型推理能力的影响。研究发现，纯代码主要提升编程能力，而非通用推理能力，甚至与数学等知识密集型任务存在竞争关系。真正提升数学推理的是跨领域的结构化推理信号，如代码-文本和数学-文本混合数据。在固定数学预算下，增加结构化数学样本密度能显著提升复杂数学推理，同时保持编程性能。分析还显示，数据组成效应反映在专家激活模式中，为跨领域的竞争与协同提供了机制层面的证据。
论文推理模型预训练数学推理
推荐理由：这篇论文戳破了“代码训练提升通用推理”的迷思，做预训练数据策略的团队值得细看——它指明了如何通过结构化推理信号精准优化数学能力，而非盲目堆代码。
原文
5月15日
10:10
10:10官方一手arXiv: DeepSeek@Libo Sun, Po-wei Harn, Peixiong He, Xiao Qin
精选
该研究系统评估了七种KV缓存压缩机制在数学推理任务上的表现，发现所有现有方法在小预算下均被拒绝。作者提出一种名为α的简单修改，通过引入多样性惩罚项替代传统argmax-top-k选择，在Qwen-7B和Llama-8B模型上，在64和128预算下，α在两项测试中显著优于基线。该发现表明，最小化的评分修改比复杂的结构重设计更有效，且严格的实验协议使这一不对称性得以显现。
论文KV缓存压缩推理模型数学推理
推荐理由：KV缓存压缩是长上下文推理的关键瓶颈，做LLM推理优化的开发者可以直接参考α方法——它用一行修改就打败了七种复杂方案，值得在自家模型上试试。
原文
5月13日
19:12
19:12官方一手arXiv: DeepSeek@Mingxiong Lin, Zhangquan Gong, Maowen Tang, Qian Li, Chuangchuang Wang, Jian Ma, Sutian Huang, Kai Tang, Haonan Lu
精选
论文发现GRPO算法存在两个效率问题：固定KL系数限制模型探索，均匀采样忽略中等难度题目的信息价值。提出FG-ExPO方法，包含两个轻量组件：基于准确率的自适应KL缩放（AKL）动态调整约束强度，以及高斯课程采样（GCS）聚焦模型学习前沿。在DeepSeek-R1-Distill-Qwen-1.5B和Qwen3-8B-Base上测试，AIME 2025 pass@32从63.33%提升至76.67%，8B模型平均提升2.66%。该方法在固定推理预算下扩大了模型有效探索空间。
论文GRPO强化学习数学推理
推荐理由：做LLM数学推理RL训练的团队，GRPO的KL系数和采样策略可以照搬这个改进，AIME 2025上13个点的提升值得一试。
原文