Google announced Aletheia, an AI using Gemini 3 Deep Think that solved 6/10 novel math problems in the FirstProof challenge. Aletheia also scored ~91.9% on IMO-ProofBench, signaling a significant...

加载模型时出现错误，提示'importlib_metadata'模块缺少'EntryPoints'属性，导致无法执行。

本文深入分析了RSA加密中的信息泄露风险，揭示了hint如何影响RSA的安全性。通过数学分析，探讨了hint与n的关系，并利用小因子进行因数分解，成功破解RSA并解密flag，强调了数学在密码学攻击中的重要性。

本文探讨了基于2×2矩阵的CTF密码学题目，运用Cayley-Hamilton定理推导有限域扩域理论，并通过商环计算成功恢复加密矩阵中的flag，展示了数学推导与算法的优雅与简洁。

机器之心数据服务已上线，提供高效稳定的数据获取，简化爬取流程。

本文探讨了Math.Pow函数的性能不足，通过天体模拟程序测试发现，使用r2 * Math.Sqrt(r2)的速度是Math.Pow的2.7倍。作者在AI建议下进行了深入验证，结果表明通用函数在特定场景下效率低下，强调了性能优化和数据驱动决策的重要性。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

本研究提出了一种基于强化学习的自动数学纠错方法StepAMC，解决了现有方法忽视逐步反馈的问题。该模型增强了大语言模型的推理能力，在两个基准数据集上超越了十一种强基线模型，显示出显著的性能提升。

本研究提出FANS框架，旨在提升大语言模型在自然语言数学推理中的推理能力和答案准确性。通过将数学问题转化为Lean4定理，并利用Lean4证明器验证答案，显著提高了答案选择的准确性。

这篇文章介绍了Arstar Math，展示了小型语言模型（参数不超过70亿）如何通过自我演化的深度思维掌握数学推理。该方法结合蒙特卡洛树搜索和过程奖励模型，解决了训练中的数据不足问题。通过生成高质量的数学问题和逐步验证推理轨迹，模型在数学基准测试中的表现显著提升，最终达到了与大型模型相媲美的效果。

本研究针对现有多模态数学基准仅限于单一视觉环境的不足，提出了MV-MATH数据集，包含2009个高质量数学问题。这些问题结合了多张图像与文本，来自真实K-12场景，旨在为评估多模态大型语言模型在多视觉环境中的数学推理能力提供全面严格的基准。实验表明，现有多模态大型语言模型在多视觉数学任务中面临显著挑战，表现与人类能力存在较大差距。

本研究提出了Big-Math数据集，包含超过25万个高质量数学问题，专为语言模型的强化学习设计。通过严格筛选，确保问题的可验证性和开放性，并新增47000个问题，以提升语言模型的推理能力。