/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
6,5 млрд
Размер весов
13,8 ГБ
Лицензия
MIT
Архитектура
llama · dense
Опубликована
28 янв 2025

Goedel-Prover-SFT

Генерация текстаТекст → текст3 профессии

Модель Goedel-LM для генерации формальных доказательств математических задач на Lean 4.

1 401скачиваний за 30 дней32лайкавеса обновлены18 апр 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Goedel-Prover-SFT — языковая модель Goedel-LM для автоматической генерации формальных доказательств математических задач на Lean 4. Это плотная авторегрессионная модель семейства Llama размером 6,5 млрд параметров с контекстом 4096 токенов; веса опубликованы в формате safetensors. Модель дообучена методом supervised fine-tuning на DeepSeek-Prover-V1.5-Base и предназначена для генерации целого доказательства по формулировке задачи в Lean.

В README сообщается о результате 57,6% Pass@32 на miniF2F и решении 7 задач PutnamBench при Pass@512; также приведены результаты на ProofNet, FormalNumina и Lean-workbook. Модель рассчитана на математические задачи, формализуемые в Lean 4, и может быть полезна для автоматизации доказательств и исследований в формальной математике. Указана лицензия MIT. Результаты зависят от числа генерируемых вариантов и вычислительного бюджета; README отмечает ограничения доступных вычислительных ресурсов при оценке.

Сценарии применения

  • генерация доказательств теорем на Lean 4
  • автоматизация решения задач из miniF2F
  • формализация и доказательство математических задач
  • поиск доказательств для задач PutnamBench
  • генерация доказательств для Lean Workbook

Ограничения

Качество решения зависит от числа сгенерированных вариантов и вычислительного бюджета; в README отмечены ограничения вычислительных ресурсов при оценке. Назначение модели ограничено математическими задачами, представленными в Lean 4.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Goedel-Prover: A New Frontier in Open-source Automated Theorem Proving

1. Introduction

We introduce Goedel-Prover, an open-source language model that achieves state-of-the-art performance in automated formal proof generation for mathematical problems. A key challenge in this field is the scarcity of formalized mathematical statements and proofs, which we address through the following approaches. First, we train statement formalizers to translate natural language math problems from Numina into the formal language Lean 4, and use an LLM to verify that the formal statements accurately preserve the content of the original problems. This results in a dataset of 1.64 million formal statements. We then iteratively build a large dataset of formal proofs by training a series of provers: each prover is able to prove many statements that the previous ones could not, and these new proofs are added to the training set for the next prover. Despite using only supervised fine-tuning, our final prover (fine-tuned on DeepSeek-Prover-V1.5-Base) significantly outperforms the previous best open-source model, DeepSeek-Prover-V1.5-RL, which uses reinforcement learning (RL). On the miniF2F benchmark, our model achieves a success rate of 57.6% (Pass@32), surpassing DeepSeek-Prover-V1.5-RL by 7.6%. On PutnamBench, Goedel-Prover successfully solves 7 problems (Pass@512), ranking first on the leaderboard. Furthermore, it generates 29.7K formal proofs for Lean Workbook problems, nearly doubling the 15.7K produced by prior work. We provide extensive discussion of our training methodology, highlighting the key design choices that contribute to Goedel-Prover's strong performance. We then explore direct preference optimization (DPO) and other forms of reinforcement learning on top of Goedel-Prover-SFT, improving success to over 60% (Pass@32) on miniF2F. Additionally, we fully open source our code, model, and formalized statements to facilitate future research.

Caption: The Pass@N metric indicates that we generate N proofs for a single problem; if any one of these N proofs successfully solves the problem, it is considered solved. (Left): The performance of Pass@32 for full proof generation on miniF2F. Due to limited compute, we compare with DeepSeek-Prover-v1.5 on the Pass@32 metric. (Middle): This sub-figure presents a comparison of Goedel-Prover and Deepseek-Prover-v1.5 in terms of miniF2F performance across different inference budgets, ranging from Pass@32, 64, 128, ..., 4 * 6400, to 16 * 6400. The performance numbers of Deepseek-Prover-v1.5 are directly taken from Table 1 of Xin et al. (2024b). Due to computational resource constraints, we tested Goedel-Prover-SFT only up to Pass@4 × 6400. Notably, Goedel-Prover-SFT's Pass@256 already exceeds the Pass@16 * 6400 performance of Deepseek-Prover-v1.5-RL (without inference time tree search). (Right): The number of problems solved in Lean-workbook by Goedel-Prover-SFT compared to prior works. InternLM2.5-Step-Prover and InternLM-Math-Plus collectively solve and open-source 15.7K samples, while we solve and open-source 29.7K samples.

2. Evaluation Results

ModelCompute (Pass)miniF2F-test
TheoremLamma12833.6%
DeepSeek-Prover-V13246.1%
DeepSeek-Prover-V1.5-SFT3248.2%
DeepSeek-Prover-V1.5-RL3250.0%
Goedel-Prover-SFT3257.6%
Goedel-Prover-DPO3260.2%
Goedel-Prover-RL3260.5%
------------------------------------------------------------
DeepSeek-Prover-V1.5-SFT320053.3%
DeepSeek-Prover-V1.5-RL320054.9%
Goedel-Prover-SFT320062.7%
Goedel-Prover-DPO320065.0%
Goedel-Prover-RL320063.2%
------------------------------------------------------------
DeepSeek-Prover-V1.5-SFT2560055.8%
DeepSeek-Prover-V1.5-RL2560058.5%
Goedel-Prover-SFT2560064.7%

Caption: Comparison of Goedel-Prover-SFT with existing methods for whole proof generation on miniF2F, assessing performance across various inference time computations.

miniF2FProofNetFormalNuminaLean-workbook
Deepseek-Prover-v1.5-RL50.0%16.0%54.0%14.7%
Goedel-Prover-SFT57.6%15.2%61.2%21.2%

Caption: Comparison of Goedel-Prover-SFT with Deepseek-Prover-v1.5-RL for whole proof generation on miniF2F, ProofNet,FormalNumina,Lean-workbook. We report the Pass@32 performance for miniF2F, ProofNet, and FormalNumina datasets. For the Lean-workbook, we evaluate performance using Pass@16 due to the large number of problems (140K) it contains, allowing us to save on computational costs. FormalNumina is a private test set created by formalizing a randomly sampled collection of 250 problems from Numina.

RankingModelTypeNum-solvedCompute
1Goedel-Prover-SFT 🟩Whole Proof Generation7512
1ABELTree Search Method7596
3Goedel-Prover-SFT 🟩Whole Proof Generation632
3InternLM2.5-StepProver 🟩Tree Search Method62×32×600
5InternLM 7BWhole Proof Generation44096
6GPT-4oWhole Proof Generation110
7COPRA (GPT-4o) 🟩Whole Proof Generation11
8ReProver w/ retrieval 🟩Whole Proof Generation01
9ReProver w/o retrieval 🟩Whole Proof Generation01

Caption: Our model rank the 1st on Putnam Leaderboard. The performance numbers for existing works are taken from the leaderboard. 🟩 indicates open sourced models.

3. Dataset Downloads

We are also releasing the largest lean problem set Goedel-Pset-v1 and the proofs of the problems in Lean-workbook found by our Goedel-Prover-SFT, .

DatasetsDownload
Goedel-Pset-v1🤗 HuggingFace
Lean-workbook-proofs🤗 HuggingFace

4. Citation

@misc{lin2025goedelproverfrontiermodelopensource,
      title={Goedel-Prover: A Frontier Model for Open-Source Automated Theorem Proving}, 
      author={Yong Lin and Shange Tang and Bohan Lyu and Jiayun Wu and Hongzhou Lin and Kaiyu Yang and Jia Li and Mengzhou Xia and Danqi Chen and Sanjeev Arora and Chi Jin},
      year={2025},
      eprint={2502.07640},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2502.07640}, 
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
5b03a13

0 моделей