Mathematical（数学能力）是当前大语言模型评测与应用中最受关注的核心维度之一，指模型进行符号推理、定理证明、形式化和数学发现的能力。它既是衡量模型推理水平的通用标尺，也是自动形式化、科学发现等前沿方向的基石，研究热点正从"会解题"转向"可验证的数学推理"。
Mathematical 推理能力的近期进展
围绕数学推理的可靠性，诊断与修复大语言模型的数学推理能力 系统分析了模型在数学任务中的典型失败模式，并提出了针对性的修复方法，反映出社区对"答案正确但过程错误"问题的重视。
在结果验证方面，ClaimScope: Label-Blind Witness Verification for Mathematical Claim Auditing 提出了一种不依赖标签的数学论断审计方法，而 Beyond LLM Judge: Mechanical Verification for Agentic Autoformalization 则主张用机械化验证替代大模型评审，减少自动形式化流程中的主观判断。
评测层面，SqueezeBench: Saturation-Resilient Evaluation of Mathematical Capability 指出现有基准已趋近饱和，需要更能区分强模型差异的抗饱和评测方案。
从解题走向发现：Mathematical 能力的新边界
Mathematical Discovery 方向的多智能体系统 Euler 尝试以人为中心组织多个智能体协作进行数学探索，把模型定位为研究者的协作者而非解题器。与此同时，对 OpenAI 2026 年 10 月发布的 AI 生成数学成果的挖掘研究 分析了机器"发明"的新数学工具，引发关于 AI 是否能产生原创数学贡献的讨论。此外，Transformer Circuits 七月更新 将可解释性框架延伸到生物学应用，为理解模型内部如何表征数学结构提供了机制视角。
当前焦点与观察点
目前 Mathematical 方向的争议集中在三点：一是过程可靠性，模型答案准确率提升但推理链的严谨性仍难保证；二是评测有效性，经典基准饱和后如何设计不轻易被记忆污染的新题；三是原创性边界，AI 生成的数学内容究竟是被检索重组还是真正的发现尚无定论。可机械化验证、与证明助手结合的自动形式化，以及多智能体协作发现，是接下来最值得跟踪的观察点。