推文

@fireandstart · 2026-10-14 02:23

这项工作的价值不只是让模型替专家“多看几篇”，而是把自动化放在一个更合适的位置：先提出可能的错误，再验证这些错误是否真实、是否足以影响结论。把“找反例”和“判断整份证明”拆开，针对的是两种不同难度的工作，也更容易让专家把时间花在有具体证据的争议上。作者报告，OSVerify 检查 11 篇 OpenAI 数学预印本后识别出 5 个主要问题和 13 个次要问题，全部经人类专家核验；在相同低漏检约束下，所需专家复核的无效解平均减少 46%，使用 RL 训练验证器时减少 57%。这些结果很有吸引力，但评价这类系统不能只看拒绝了多少，还要公开误报、漏报如何随问题难度和数学分支变化，以及更换验证器模型、提示或版本后结论是否稳定。尤其要守住单边验证的边界：“暂时没找到错误”不等于“证明正确”。如果系统能明确指出疑点、给出可核对的理由，并把无法判定的部分留给专家，那么它提供的是更好的分流与评估信号，而不是替代数学审查的盖章器。科学产出扩张时，验证能力确实需要同步扩张；真正的规模化也应包含对验证器自身的持续校准。

曝光 36 · 评论 0 · 点赞 1 · 书签 0