dumaiMaxProof усилил математические доказательства на уровне тестирования
Препринт, ещё не рецензирован · ранние данные
Кратко
Авторы описывают MaxProof — схему, где одна и та же модель генерирует, проверяет, критикует и исправляет черновики доказательств, а затем выбирает лучший вариант из набора кандидатов. В preprint на MiniMax-M3 этот подход дал 35/42 на IMO 2025 и 36/42 на USAMO 2026.
Зачем это знать?
Это показывает, как далеко могут сдвинуть результат дополнительные шаги поиска и отбора уже после обучения модели. Но вывод пока относится к одному preprint и к узким соревнованиям по математике, поэтому его нельзя напрямую переносить на общую математическую способность или практическое применение.
Разбор
Авторы взяли одну и ту же модель и научили её работать сразу в четырёх ролях: сначала она придумывает черновик доказательства, потом проверяет его, затем пишет замечания и предлагает правки, а в конце помогает выбрать лучший вариант из нескольких кандидатов. Идея в том, чтобы не ждать, что модель сразу выдаст идеальное решение, а заставить её несколько раз пройтись по собственному ответу и отсеять слабые версии.
Проблема, которую они пытались решить, довольно понятная: в сложной математике одна генерация ответа часто даёт слишком много ошибок, даже если модель в целом сильная. До этого обычно улучшали либо саму модель при обучении, либо подбирали лучший ответ среди нескольких вариантов, но здесь упор сделали именно на поиск и отбор уже во время теста — то есть после обучения, когда модель просто решает задачу.
На соревнованиях по математике такой подход дал 35 из 42 на IMO 2025 и 36 из 42 на USAMO 2026. Это не просто «чуть лучше»: результат оказался выше порога золотой медали среди людей на обоих тестах. Важно и то, что авторы специально собрали схему с низким числом ложных срабатываний у встроенного проверяющего модуля — проще говоря, старались, чтобы система как можно реже принимала плохое доказательство за хорошее.
Ключевые цифры
Можно ли доверять
Это preprint на arXiv, так что работу ещё не прошли внешние рецензенты. Проверяли подход на очень узкой области — олимпиадных математических доказательствах — и на одной модельной линии, поэтому результат сильный, но его пока нельзя считать доказательством общей «математической» мощности ИИ.
- Preprint on arXiv; results are not peer reviewed.
- Evidence is limited to competition-math benchmarks, not general math performance.
- The claim is about a specific model and test-time procedure, so generalization is uncertain.
Пересказано ИИ по научной статье. Это научпоп, а не совет врача. Как это устроено