提出AdvancedMathBench基准套件,用于评估LLM在高等数学证明生成和验证上的能力,包含ProverBench(245个问题)和VerifierBench(888个轨迹),实验表明最佳模型GPT-5.5-xhigh在证明生成上UG得分64.5、QE得分48.9,最佳验证模型DeepSeek-V4-Pr…
机构:上智院
来源:arXiv 2607.11849 | AI4Papers 论文推荐平台