/ Модель

Характеристики

Контекст
262 144 токена
Архитектура
qwen3_5_moe · dense
Библиотека
transformers
Опубликована
29 сен 2026

AdvancedMathBench-AutoVerifier

Изображение и текст → текст

Модель проверяет математические доказательства на естественном языке, объясняет ошибки и находит первый неверный шаг.

145скачиваний за 30 дней1лайквеса обновлены29 сен 2026

Бенчмарки

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

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

AdvancedMathBench AutoVerifier — модель на архитектуре Qwen3_5MoeForConditionalGeneration из семейства Qwen3.5-MoE, предназначенная для проверки математических доказательств на естественном языке. Она принимает условие задачи, необязательное эталонное решение и доказательство кандидата, разбитое на нумерованные шаги, и формирует оценку, объясняет найденные ошибки и указывает индекс первого неверного шага. Индекс начинается с 0, а значение -1 означает, что ошибка не обнаружена.

Модель используется как автоматический оценщик доказательств в ProverBench проекта AdvancedMathBench. Репозиторий содержит веса в 40 файлах safetensors общим объёмом около 68 ГиБ; для токенизатора InternS1Tokenizer требуются sentencepiece и trust_remote_code=True после проверки его кода. Карточка указывает поддержку английского и китайского языков, а метаданные — возможности чата и обработки изображений.

AutoVerifier является обученным оценщиком, а не формальным проверяющим доказательств, поэтому может ошибаться. В ProverBench каждое доказательство проверяют восемь раз и принимают только при восьми корректных вердиктах без ошибок. В README упомянуты файлы лицензии и уведомлений, но конкретная лицензия в предоставленных данных не названа.

Сценарии применения

  • Автоматическая проверка доказательств математических задач
  • Поиск первого неверного шага в решении
  • Объяснение ошибок в пошаговом математическом доказательстве
  • Оценивание доказательств в бенчмарке ProverBench

Ограничения

Это обученный оценщик, а не формальный проверяющий доказательств, поэтому его вердикты могут быть ошибочными. Для принятия в ProverBench требуется восемь корректных проверок без обнаруженных ошибок.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AdvancedMathBench AutoVerifier

Paper · HF Paper · GitHub · Dataset · AutoVerifier

AutoVerifier evaluates natural-language mathematical proofs, explains errors, and identifies the earliest incorrect step. It serves as the automatic grader for AdvancedMathBench's ProverBench.

Model

  • Architecture: Qwen3_5MoeForConditionalGeneration.
  • Tokenizer: bundled InternS1Tokenizer; requires sentencepiece and trust_remote_code=True after reviewing the tokenizer code.
  • Weights: 40 safetensors shards, approximately 68 GiB.

Input

Use proof_verifier.md with a problem, an optional reference solution, and a candidate proof split into zero-indexed steps. The following constructs the input without loading the model weights:

from pathlib import Path
from transformers import AutoTokenizer

model_dir = "."  # Local model repository directory
tokenizer = AutoTokenizer.from_pretrained(model_dir, trust_remote_code=True)

steps = ["A candidate proof step.", "Another candidate proof step."]
proof = "\n\n".join(
    f"<step{i}>\n\n{step}\n\n</step{i}>" for i, step in enumerate(steps)
)
template = Path(model_dir, "prompts/proof_verifier.md").read_text(encoding="utf-8")
prompt = template.format(
    problem="The mathematical problem.", human_solution="", solution=proof,
)
text = tokenizer.apply_chat_template(
    [{"role": "user", "content": prompt}],
    tokenize=False, add_generation_prompt=True, enable_thinking=True,
)

Output and scoring

The final response contains an assessment, identified errors, and the first error index. For example, a no-error judgment is:

<assessment>The proof is correct.</assessment>
<errors></errors>
<first_error_step>-1</first_error_step>

-1 means no error was found; nonnegative indices identify the earliest error, starting from 0. Parse the final answer after </think> when present.

ProverBench checks each proof 8 times and accepts it only when all eight valid judgments report -1. Missing or malformed judgments do not count as acceptance. Sampling settings are documented in evaluation_settings.json.

Notes

AutoVerifier is a learned grader, not a formal proof checker, and can make errors. Tested package versions and validation scope are recorded in compatibility.json. License notices are provided in LICENSE and NOTICE.md.

Citation

If you use AdvancedMathBench AutoVerifier in your research, please cite:

@misc{kong2026advancedmathbenchbenchmarksuiteadvanced,
  title = {AdvancedMathBench: A Benchmark Suite for Advanced Mathematical Proof Generation and Verification},
  author = {Lingkai Kong and Zijian Wu and Yuzhe Gu and Haiteng Zhao and Wenyong Huang and Shuang Sun and Zhicheng Xiong and Xiaotian Zhang and Shuya Zhao and Yan Wang and Disheng Xu and Wenwei Zhang and Kai Chen},
  year = {2026},
  eprint = {2607.11849},
  archivePrefix = {arXiv},
  primaryClass = {cs.CL},
  doi = {10.48550/arXiv.2607.11849},
  url = {https://arxiv.org/abs/2607.11849}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Модель не помещается в память одной GPU (80 ГБ).

Класс архитектуры
Qwen3_5MoeForConditionalGeneration
Ревизия весов
7fc819b

0 моделей