名为Gauss的AI在三周内完成了陶哲轩和Kontorovich提出的数学挑战，远超他们18个月的进展。该AI能自动形式化数学内容，生成约25000行Lean代码，未来计划提升形式化代码量100到1000倍，推动数学项目进展。

字节跳动与南京大学联合推出的CriticLean框架，将数学自然语言转化为Lean 4代码的准确率从38%提升至84%。该框架通过强化学习和评估模型，解决了数学形式化中的语义对齐和评价可靠性问题，显著增强了自动化定理证明能力。

我们正在训练AI模型，需要提供20-50条verus训练数据，以提高代码输出效率和准确性。欢迎投简历，联系方式：764586552@qq.com，期待长期合作。

文章讨论了AI在数学推理和形式化证明方面的最新进展，特别是大模型的能力。5月29日将举行直播，邀请多个项目团队成员探讨AI数学的未来及其影响。

Rust 编程语言在过去十年中因其内存安全性和高效性而受到开发者青睐。Niko 的文档探讨了 const Trait 的设计，xd009642 介绍了性能优化，Steven Vaughan-Nichols 讲述了 Rust 的起源与发展。

本文介绍了高质量基准数据集CLEVER，包含161个专注于代码生成验证的问题。CLEVER避免了测试用例监督，确保输出通过Lean类型检查器验证，揭示了程序合成和形式推理的挑战。

本研究旨在解决机器学习中缺乏统一理论框架及可解释性和伦理安全保障不足的问题。通过构建形式信息模型，提出机器学习理论的元框架（MLT-MF），并定义模型可解释性和伦理安全，为解决相关挑战提供理论基础。

本研究提出了PDDLego+框架，旨在解决部分可观察环境中的规划问题，实现零样本迭代形式化和规划，展现出优越的性能和鲁棒性。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

FormalMATH发布了5560道数学题的基准测试，以评估AI模型的数学推理能力。最佳模型的成功率仅为16.46%，显示出在严格逻辑推导方面的困难。研究团队提出了自动化流程以提高效率，并呼吁学术界共同推动形式化数学推理技术的发展。

正式语言（如模型检查和形式验证）对我来说是新知识，我希望在此进行简要回顾，以便快速参考。

本研究探讨大型语言模型在形式化复杂数学定义中的局限性，并提出来自维基百科和arXiv的新资源。研究表明，数学定义的形式化难度较大，但通过外部反馈和引导策略，LLMs的自我修正能力显著提升，为实际应用开辟了新方向。

本文研究了自然语言数学与机器可验证的形式语言配对数据稀缺的问题，提出了ATLAS框架，通过迭代数据生成来生产高质量的平行定理陈述。在经过10次迭代后，ATLAS构建了一个包含30万条定理的本科生级别数据集，并在定理翻译中取得了显著提高的准确率，推动了自动形式化的前沿研究。

本研究解决了大型语言模型在代码生成和逻辑推理任务中存在的显著令牌效率瓶颈问题。我们提出了一种基于符号压缩的形式化框架，通过结合组合逻辑、信息论最优编码和上下文感知推理技术，实现了令牌效率的显著提升并保留语义完整性。实验结果表明，该方法在代码生成任务中实现了78.3%的令牌压缩率，并提升了62%的逻辑可追溯性，为大型语言模型的高效推理提供了新的理论工具。

本文提出了一种新方法，用于形式化验证机器学习模型参数的马尔可夫过程属性。研究将属性验证转化为双线性规划，并开发了高效的求解方法，实验证明其速度比现有最佳求解器快100倍，可能改变医疗建模等领域的概率程序验证方式。

本研究针对人类与大型语言模型（LLMs）之间合作的有效性问题，提出了一种新的分类法来总结现有方法，旨在为未来的突破性研究奠定基础。研究表明，随着智能模型从简单工具演变为具有自主目标的合作代理，推动了NLP任务的显著进展，同时也揭示了亟待解决的挑战。