论文页面 - 问题本身即是问题：迈向可扩展的数学发现

来源：https://huggingface.co/papers/2608.16977

摘要

文献综述流水线能自动化问题发现与分类，从而将专家评审资源集中到选定研究方向内有前景的数学猜想上。

AI系统正日益有能力贡献于数学研究。在实际研究中，前沿模型的推理能力是有限资源，而专家的数学评审能力则更为稀缺。因此，如何高效分配这些稀缺资源，对于实现高效的AI辅助数学发现至关重要。在当前大多数AI数学工作流中，人力主要集中在起始与末端阶段——即选择合适的研究问题，以及后续评审研究成果。这两个阶段正成为研究级数学的瓶颈。我们通过提出一种新的人机发现范式来应对这些挑战。人类输入不再是一个预先选定的具体问题，而是专家们感兴趣且具备专长的研究方向。系统随后在广泛的文献库中搜索该方向下的候选问题。受搜索与推荐系统的启发，我们构建了FAR（查找、尝试与推荐）系统（https://huggingface.co/papers?q=FAR），这是一个文献综述级联系统（https://huggingface.co/papers?q=literature-to-review%20cascade），它能自动化搜索合适问题，并将人类注意力聚焦于通过多层筛选的成果。在一项组合数学试点中，该流水线从5,245篇组合数学论文起步，检索出6,453个候选猜想（https://huggingface.co/papers?q=candidate%20conjectures）或开放问题，并将其筛选至4,717个表述清晰且仍开放的猜想。随后的推理与自动分类（https://huggingface.co/papers?q=automated%20triage）阶段产生了598个潜在解决方案，并选取了77个条目供作者团队评审。在这些成果中，我们发现了许多有趣的发现，包括关于Davies–Jenssen–Perkins–Roberts、Erdős–Straus、Ikenmeyer–Pak–Panova以及Lund–Saraf–Wolf猜想与问题的结果。这些成果展示了这种新的人机协作（https://huggingface.co/papers?q=human-AI%20collaboration）模式在数学发现中的有效性。

查看 arXiv 页面 (https://arxiv.org/abs/2608.16977) 查看 PDF (https://arxiv.org/pdf/2608.16977) 项目页面 (https://probxiv.com/) GitHub7 (https://github.com/zeyu-zheng/FAR) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2608.16977)

在你的智能体中获取此论文：

hf papers read 2608.16977

没有最新CLI？运行 curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

无模型链接此论文

在模型的 README.md 中引用 arxiv.org/abs/2608.16977 以从本页链接。

引用此论文的数据集0

无数据集链接此论文

在数据集的 README.md 中引用 arxiv.org/abs/2608.16977 以从本页链接。

引用此论文的Space0

无Space链接此论文

在Space的 README.md 中引用 arxiv.org/abs/2608.16977 以从本页链接。

包含此论文的收藏夹0

无收藏夹包含此论文

将此论文添加到收藏夹 (https://huggingface.co/new-collection) 以从本页链接。