数学推理
2 published articles
基准与测试Featured2 min read
基准分析
GSM8K 本应测试小学数学水平，但高达42%的题目存在问题
GSM8K 已成为评估大语言模型算术推理能力的标准测试，但审计发现其题库中的错误率高达42%，这动摇了其分数实际衡量内容的有效性。
2026-07-29
人工智能5 min read
数学推理
M3团队找到阻止AI数学验证器作弊的方法，这为每个实验室提供了蓝图
M3的数学推理方法结合了三个专家模型：Proof（证明）、Verifier（验证器）和Fixed（修正），并搭配一个进化搜索框架。该报告提供了关于奖励黑客攻击、验证器对齐以及使生成式验证器在高风险推理任务中可靠所需的工程细节的罕见详述。
2026-07-11