模型性能突破 - Polaris通过Scaling RL技术使4B模型在数学推理任务（AIME25得分79.4，AIME24得分81.2）超越商业大模型如Claude-4-Opus和Seed-1.5-thinking [1] - 仅用700步RL训练即让Qwen3-4B接近其235B版本的表现 [5] - 模型轻量化设计支持消费级显卡部署 [2] 训练方法论创新 - 提出"镜像J"数据分布理论：构建轻微偏向难题的分布可优化不同能力基模型的训练效果 [10] - 采用动态数据更新策略：删除训练过程中准确率过高的样本以维持挑战性 [13] - 实现多阶段温度调整：通过控制探索区温度初始化，动态维持60分多样性水平 [32][33] 技术实现细节 - 引入长度外推技术：应用YaRN方法将32K以上长文本准确率从26%提升至50% [41][43] - 优化采样温度区间：划分鲁棒生成区/控制探索区/性能崩塌区，打破t=0.6或1.0的行业惯例 [28] - 采用渐进式上下文窗口扩展：Qwen3-4B需直接从40K长度启动训练以避免性能塌陷 [52] 开源生态建设 - 完整公开训练数据/模型/代码，包括Huggingface模型库和GitHub仓库 [3][53] - 验证Scaling RL对前沿开源模型（如Qwen3）的普适性提升效果 [5] - 提出token利用效率概念：不同基模型对响应长度的敏感度存在显著差异 [51]

多模态数学推理的挑战与突破 传统方法的局限性 - 传统思维链推理方法在视觉与数学结合场景下表现不佳，易忽略视觉输入中的数学细节导致推理错误[2] - 现有视觉CoT方法存在三大瓶颈：粗粒度图像区域选择破坏数学元素关联性[4]、通用视觉编码器对数学图像感知力不足[5]、过度依赖外部工具导致高成本低通用性[6] MINT-CoT的创新设计 - 提出动态Interleave Token机制，通过计算隐藏层相似度实时选取最相关视觉token，实现文本与数学图像元素的细粒度融合[9] - 突破传统矩形区域限制，可灵活捕捉几何图形、坐标轴等结构化数学元素，支持任意形状视觉区域选择[9] - 采用轻量化架构设计，无需依赖外部工具即可完成端到端训练与推理[9] 数据与训练体系 - 构建5.4万条视觉交错推理样本数据集，通过四步流程实现token级图文对齐标注：网格划分→OCR文本映射→关键词提取→MLLM关联匹配[11] - 设计三阶段渐进训练策略：文本CoT微调→双损失监督的交错模态微调→强化学习优化视觉选择策略[13] 性能表现 - 在Qwen-VL-7B模型上应用MINT-CoT框架后，MathVista/GeoQA/MMStar三大基准分别提升32.59%/26.92%/23.2%[16] - 可视化结果显示模型能自主选择相关视觉token并与文本推理链动态交互，推理逻辑显著优于基线[15] 行业影响 - 该技术首次实现数学场景下视觉与思维链的深度融合，为结构化视觉推理建立新范式[17] - 方法论具备扩展性，未来可迁移至科学图表解析、工程图纸理解等专业领域[17]

大模型数学能力评测 - 七个大模型参与2025年数学新课标I卷测试，Gemini 2.5 Pro以145分位列第一，Doubao和DeepSeek R1以144分并列第二 [2] - 小米7B参数小模型MiMo-VL表现突出，总分139分与Qwen3-235B持平，仅比OpenAI o3低1分 [4] - MiMo-VL在7B参数多模态模型中优势显著，较同类Qwen2.5-VL-7B高出56分 [5] 细分题型表现 - 客观题部分（73分）：MiMo-VL单选题得35分（总分40），多选题和填空题均获满分 [8][10][11] - 解答题部分（77分）：MiMo-VL得71分位列第五，超越hunyuan-t1-latest和文心X1 Turbo [12] - 测试方法差异：MiMo-VL和Qwen2.5-VL-7B采用截图输入，其他模型使用文本Latex输入 [6] 小米MiMo-VL技术突破 - 模型基于MiMo-7B升级，在数学推理和代码竞赛中超越OpenAI o1-mini和阿里QwQ-32B-Preview [15] - 通过RL训练后，MiMo-7B-RL-0530版本达到与DeepSeek R1和OpenAI o3-mini相近水平 [16] - 多模态能力显著：在OlympiadBench等数学竞赛中领先10倍参数的Qwen-2.5-VL-72B和GPT-4o [20] 技术实现路径 - 采用混合在线强化学习算法（MORL），整合文本推理与多模态感知反馈信号 [27][29] - 预训练数据达2.4T tokens，涵盖图片-文本对、视频-文本对等多元数据类型 [28] - 模型已全面开源，包括技术报告、权重和评估框架 [32][33] 行业竞争格局 - 开源模型MiMo-VL-7B在内部评测中超越GPT-4o成为开源模型第一 [24] - 参数效率突破：7B模型性能比肩235B参数的Qwen3和闭源o3模型 [13][16] - 多模态赛道创新：GUI Grounding任务表现媲美专用模型 [18]

数学推理能力作为衡量模型智能水平的关键指标，需对其进行全面公平的评估。然而，现有的 GSM8K、MATH 数学基准因覆盖不足和易被数据污染饱 受诟病，要么缺乏对本科水平数学问题的广泛覆盖，要么可能受到测试集的污染。 为了填补这些空白，来自香港科技大学的研究团队近日发表在 ICLR 2025的最新研究 UGMathBench——首个针对本科数学的多元化动态评测体系， 专为评估 LLM 在本科阶段各类数学主题下的推理能力而设计。它提供了动态多样的评估工具，首次将数学推理评测带入「动态污染防控」时代， 标志 着 LLMs 数学推理评估从"浅层解题"迈向"深层理解"。 论文地址：https://arxiv.org/pdf/2501.13766 | AGI-Eval | 评测榜单 入人机竞赛 | 评测集社区 | Data Studio 団 | | | など | | --- | --- | --- | --- | --- | --- | --- | | | 评测集社区：UGMathBench | | | | | | | | UGMathBench ☞▩ | | | | 我要参评 | | | | UGMathBench 是 ...

核心观点 - 大模型在数学推理能力与指令遵循能力之间存在显著权衡关系，即模型越擅长复杂推理，越容易忽略用户指令要求 [1][6] - 研究团队通过MathIF基准系统验证了23个主流大模型，发现参数规模与指令服从性无正相关，部分小模型反而表现更佳 [6][7] - 推理导向训练（如SFT/RL）会提升解题能力但降低指令敏感性，且推理链越长模型越容易偏离指令要求 [9][10][13] MathIF基准设计 - 专门针对数学推理任务设计，通过程序自动验证模型对格式、语言、长度、关键词等指令的遵循程度 [3] - 包含单一/双重/三重指令组合测试，涵盖GSM8K简单题到AIME竞赛题不同难度层级 [3] - 采用硬准确率（HAcc）和软准确率（SAcc）量化评估，前者要求全部指令满足，后者计算平均满足比例 [4] - 指令类型覆盖长度限制（如500字内）、语言要求（仅中文）、格式规范（禁用逗号）、前后缀标记等5大类 [5] 实验结果 - 表现最佳的Qwen3-14B模型仅能遵守50.71%的指令（HAcc），67.06%的平均指令满足率（SAcc） [7] - 32B参数以上大模型中，Owen3-32B的HAcc达43.81%，但70B参数的DeepSeek-R1-Distill-Llama-70B+反降至41.43% [7] - 1.5B小模型Qwen2.5-Math-1.5B-Instruct在无约束时解题准确率44.05%，加入指令约束后反而提升至44.29% [7] 原因分析 - 推理导向训练使模型优先关注解题准确性，监督微调（SFT）导致Qwen2.5-7B的HAcc从15.95%降至7.86% [10][11] - 推理链长度与指令遵循负相关，人为延长思考过程会使HAcc下降超20个百分点 [13][15] - 限制RL训练中最大响应长度（1k tokens内）可提升指令遵循能力，但会牺牲部分推理性能 [17][18] 优化方法 - 在模型输出答案前重复指令要求，可使HAcc提升约5个百分点，但会降低解题准确率 [19][20] - 在RL训练中引入格式奖励机制，Qwen2.5-1.5B的SAcc从20.44%提升至28.49% [11]

AI与人类数学能力对比 - AI模型o4-mini-medium在FrontierMath基准测试中以6:2的比分击败了8支人类数学专家团队中的6支 [1] - o4-mini-medium在竞赛中得分22%，高于人类团队平均分19%，但低于所有团队综合得分35% [7] - Epoch AI预测AI很可能在年底前明确超越人类数学能力 [27] FrontierMath基准测试设计 - 测试包含300道题，难度从本科生水平到菲尔兹奖级别 [3] - 竞赛选取23道题(7道基础题+16道进阶题)，涵盖拓扑学、代数几何等四个子类 [16] - 评分机制：进阶题每题2分，基础题1分，每个领域至少答对一题额外加1分 [16] - 题目难度分为3级，竞赛中普通题为1-2级，高级题均为3级 [24] 人类参赛者表现分析 - 40名参赛者(数学博士或竞赛获奖者)组成8个团队，每组4-5人 [11] - 人类团队解题正确率在13%-26%之间，平均19% [19] - 若考虑任何一支团队答对即算人类答对，人类正确率可提升至35% [21] - 参赛者在最喜欢的测试题上平均花费40分钟 [28] 测试结果解读 - 调整难度权重后，人类平均得分约30%，"多次尝试"方法下可达52% [24] - AI解题时间(5-20分钟/题)显著短于人类 [27] - 人类在长期扩展行为上优于AI，表现能持续提升 [29] - 当前测试可能低估人类能力，更多时间可能提升表现 [27] 测试局限性 - 参赛者不能完全代表前沿数学水平 [10] - 竞赛题目仅为FrontierMath的不具代表性子集 [8] - 人类基准定义模糊，估计值在30%-50%之间 [8][20] - 竞赛形式限制了人类表现，如时间压力等因素 [27]

FormalMATH团队 投稿 量子位 | 公众号 QbitAI 最强AI模型面对5560道数学难题，成功率仅16.46%？背后真相大揭秘。 香港中文大学、西湖大学、MAP、浙江大学、马克斯·普朗克智能系统研究所等机构联合推出 FormalMATH形式化数学推理基准测试 ，含 5560道经过严格验证的数学题，覆盖从奥数到大学水平的代数、微积分、数论等领域。 形式化数学推理是人工智能领域公认的核心难题之一。 尽管大语言模型（LLM）在自然语言处理和代码生成等领域取得显著进展，但面对需要严格逻辑推导的数学定理证明任务时，其能力仍面临严 峻挑战。 FormalMATH：「超大规模」的形式化数学推理基准 规模突破：22.8倍于现有基准 FormalMATH包含5560个经过Lean4编译器验证的数学命题，涵盖代数、数论、微积分、离散数学等12个子领域，问题难度从国际数学奥林 匹克（IMO）竞赛级延伸至本科课程，规模是经典基准MiniF2F的22.8倍。 构建创新：人类在循环中的自动化流程用于自动形式化和语义一致性检测 为解决传统形式化数据依赖专家手动标注的瓶颈，研究团队提出了一套 「三阶段过滤」 框架： 现有LLM证 ...

报告行业投资评级 - 推荐（维持），预期未来 3 - 6 个月内该行业指数涨幅超过基准指数 5%以上 [4][20] 报告的核心观点 - 4 月 30 日，DeepSeek 发布 DeepSeek - Prover - V2 - 671B 新模型、DeepSeek - Prover - V2 - 7B 增强模型及 DeepSeek - ProverBench 数据集并公布论文信息 [2] - 新模型专注数学定理证明，采用特定架构、参数和技术，实现形式化与非形式化数学证明融合，创新推理训练流程，定理证明达业内最佳 [7] - 国内 AI 数学推理达新高度，建议关注国产算力、AI 应用与 AI 安全等领域投资机遇，并列出多领域建议关注公司 [7] 根据相关目录分别进行总结 行业基本数据 - 股票家数 336 只，占比 0.04%；总市值 42,657.40 亿元，占比 4.41%；流通市值 36,398.85 亿元，占比 4.74% [4] 相对指数表现 - 1 个月绝对表现 - 5.3%，相对表现 - 1.6%；6 个月绝对表现 2.3%，相对表现 5.4%；12 个月绝对表现 27.0%，相对表现 22.4% [5] 新模型特点 - DeepSeek - Prover - V2 - 671B 采用和 DeepSeek V3 - 0324 相同架构，参数 6710 亿，用 MoE 模式，有 61 层 Transformer 层等，支持超长上下文及多种计算精度，用 safetensors 格式优化训练部署，通过 FP8 量化技术提高推理效率 [7] - 自 2024 年 3 月以来，DeepSeek - Prover 系列已推出 3 款模型，DeepSeek - Prover - V2 进一步提出“子目标分解的强化学习”，基础模型升级到 DeepSeek - V3 [7] - 采用“递归定理证明流程”和两阶段训练策略，减轻计算负担，构建最终形式证明 [7] - DeepSeek - Prover - V2 - 671B 在神经定理证明领域创新高，7B 模型解决部分大模型未攻克问题，形式与非形式数学能力差距缩小 [7] 投资建议 - 建议关注国产算力、AI 应用与 AI 安全等领域投资机遇，涉及办公、金融、大模型等 18 个领域多家公司 [7] 受益标的梳理 - 报告列出海光信息、寒武纪 - U 等多家公司 2024A、2025E 的营收、归母净利润、PE、PS 等数据 [8][9]

DeepSeek-Prover-V2-671B模型发布 - 公司发布专注于形式化数学推理的开源大型语言模型DeepSeek-Prover-V2-671B，参数量达6710亿 [1] - 该模型结合LLM泛化能力与形式化工具（如Lean），首次实现自然语言描述到机器可验证证明的大规模端到端转化 [2] - 形式化数学被视为AI"终极挑战"，突破可能将数学研究效率提升数倍，并打开金融建模、芯片验证、密码学等高价值商业场景 [2] 大模型开发者活动 - DeepSeek前成员辛华剑将参与"大模型开发者与AI基金合伙人跨洋对谈"，分享《大语言模型时代的形式化数学革命》 [2] - 辛华剑为DeepSeek-Prover系列模型开发主导者，现任爱丁堡大学AI博士生及字节跳动研究实习生，专注大模型在数学定理证明的创新应用 [2][4] - 锦秋基金合伙人臧天宇将同期分享2025年AI创投趋势 [3][4] 活动主办方背景 - 锦秋基金专注AI领域投资，在管基金为12年长期基金，59%项目为首次投资，采取多轮追加策略，已投资北美活跃AI基金 [6] - 剑桥中国人工智能协会(CCAIA)致力于链接中国AI产业与海外学界，采用轻量化社群模式促进中英资源流动 [7] - 清华大学学生通用人工智能研究会(THUAGI)以培养下一代通用AI人才为目标，依托清华AI研究院资源 [9] - 清华大学学生创业协会成立于1997年，为全国最早高校创业协会之一，28年来聚焦创业生态培育 [10] 活动流程 - 英国时间15:00/中国时间22:00开始辛华剑主题演讲，随后臧天宇分享AI创投趋势 [8] - 活动含圆桌对谈及观众提问环节，国内通过腾讯会议直播，需通过锦秋基金公众号报名 [5][6][8]

DeepSeek-Prover-V2-671B发布 - 公司于4月30日正式推出DeepSeek-Prover-V2-671B模型，标志着AI数学推理能力进入新阶段 [2][4] - 该模型基于6710亿参数混合专家（MoE）架构，专为Lean 4证明辅助框架优化 [4] 技术架构特性 - 采用动态参数激活机制，单次推理仅调用约370亿参数，平衡性能与计算效率 [4][6] - 上下文窗口约128k tokens，支持高阶数学证明中的复杂长逻辑链处理 [6][7] - 可能延续多头潜在注意力机制（MLA），显著降低KV缓存需求并提升吞吐量 [7] 核心突破价值 - 实现形式化数学的"GPT-4级"突破，处理复杂数学证明能力显著提升 [7] - MoE架构相比稠密模型大幅降低内存需求并提高运算速度 [7] - 开放商用许可，预计在Hugging Face开源权重，支持学术与工业应用 [7] 应用场景拓展 - 形式化验证：应用于密码学安全证明、芯片设计验证等自动化流程 [7] - 数学研究加速：辅助定理形式化、新猜想探索及奥赛级难题证明 [7] - 智能教育工具：构建可验证步骤的交互式数学教学系统 [7] - 关键系统安全：通过Lean集成验证核心代码逻辑的正确性 [7] 基础训练数据 - 基础预训练可能超过14.8万亿tokens（基于V3基础），提供广泛知识储备 [6]