大模型做数学题的能力很强，可是它们真的能够理解基本的数学原理吗？ 拿小学生的数学题进行测试，人类平均得分为93.30%，而大模型的表现让人意外： 闭源模型中Gemini2.0-Flash（49.77%）、Qwen-VL-Max（47.03%）、Claude-3.7-Sonnet（46.63%）的综合表现最佳，但仍未突破50% 准确率。 why？ 因为大模型可能并不能真正理解基本数学元素和视觉概念。 现有的视觉数学基准测试主要集中在知识导向的评估上，容易受到大型语言模型中预先嵌入的知识的影响。 上述结论来自达摩院推出的新基准 VCBench ——这是一个专为评估 具备显式视觉依赖性的多模态数学推理任务 而设计的综合基准。 VCBench团队 投稿 量子位 | 公众号 QbitAI 该基准主要面向小学 1-6 年级的数学问题，即 并不涉及复杂的数学或几何推理，但高度依赖于显式的视觉依赖性 的问题。 解决这种问题，需要模型识别和整合图像中的视觉特征，并理解不同视觉元素之间的关系。 △ 论文标题：Benchmarking Multimodal Mathematical Reasoning with Explicit ...

赶在五一假期前夕，DeepSeek给我们送出一份惊喜大礼。 延续一贯的开源节奏，DeepSeek在Hugging Face正式发布DeepSeek-Prover-V2，并同步上线模型卡及示例代码。此次共推出两个版本： *核心贡献者†在DeepSeek-AI实习期间完成的工作 据官方论文披露，DeepSeek-Prover-V2的训练核心是"递归+强化学习"的组合：即先由DeepSeek-V3拆解复杂定理，生成一系列子目标和推理思路；再通过 GRPO算法，从多种候选方案中自动学习如何选出最优解。 模型特别引入了两种互补的"解题风格"： DeepSeek-Prover-V2-7B：基于上一代V1.5模型，支持最长32K上下文输入； DeepSeek-Prover-V2-671B：在DeepSeek-V3-Base基础上训练，推理性能最强。 训练过程分为两阶段，在第一阶段，研究人员主要训练快速模式，采用"专家迭代"方法：模型先尝试解决难题，成功的答案再作为新数据反哺模型，不断 打磨自己的能力。 待快速模式趋于稳定后，研究人员进入第二阶段，开始训练更复杂的逻辑推理能力。他们将DeepSeek-V3的数学知识迁移到新模 ...