arXiv发布抗饱和数学评估基准SqueezeBench

发生了什么

据arXiv论文，研究团队发布SqueezeBench，旨在解决传统数学基准因题目被解出而饱和的问题。该基准通过固定整数函数并维持上下界记录，使成功提升标准而非移除题目。初始包含10个极值组合学问题及20条已证明记录。基于前沿语言模型的智能体在单小时限制内提交82次并接受，改善了所有记录；后续模型进一步改善19/20记录。所有证明由两个独立Lean内核检查。