ImProver 2는 Lean 4에서 검증된 증명을 자동으로 최적화하는 신경기호 프레임워크로, 데이터 효율적 전문가 반복 파이프라인과 공식 구조 및 경량 비공식 추상화를 노출하는 스캐폴드를 결합한다. 7B 파라미터 모델로 훈련된 결과, 동일 모델 패밀리 내에서 수십~수백 배 큰 모델을 능가하고 중급 프론티어 모델과 경쟁하는 성능을 달성했다. 신경기호 스캐폴드가 소형 및 프론티어 모델 모두의 성능을 크게 향상시키며, 증명 최적화가 확장 가능하고 학습 가능한 태스크임을 확립했다. 형식 수학 라이브러리 유지보수와 신경 증명기 훈련 데이터 품질 향상에 실질적 해법을 제공한다는 점에서 의의가 있다.
- •7B 모델로 동일 패밀리 수십~수백 배 큰 모델 능가, 중급 프론티어 모델과 경쟁
- •신경기호 스캐폴드: 공식 구조 + 경량 비공식 추상화 노출로 소형·프론티어 모델 모두 성능 향상
- •구조적 증명 속성 측정을 위한 메트릭 시데 새로 도입
- •적절한 스캐폴딩·훈련으로 소형 모델도 연구 수준 증명 재구성 가능함을 증명
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
ImProver 2: Iteratively Self-Improving LMs for Neurosymbolic Proof Optimization
- 1.ImProver 2는 Lean 4 형식 수학 라이브러리의 자동 증명 최적화를 위한 뉴로심볼릭 프레임워크
- 2.데이터 효율 전문가 반복 파이프라인과 형식 구조·비형식 추상화 스캐폴드를 결합해 7B 모델이 같은 모델 패밀리 수십 배 큰 모델 능가
- 3.적절한 스캐폴딩과 훈련으로 소형 모델이 연구 수준 증명 구조 최적화를 학습 가능한 태스크로 확립
왜 중요한가?
Lean 4 형식 수학 라이브러리 유지 관리 비용과 신경 증명기 훈련 데이터 품질 문제를 동시에 해결, 형식 검증의 확장성을 높이는 실질적 돌파구로 소형 모델의 역할을 재정립한다.
언급 프로젝트
본문 미리보기
arXiv:2605.22885v1 Announce Type: new Abstract: Formal mathematics libraries are rapidly expanding, creating a growing need to refactor verified proofs for maintainability and to improve training data quality for neural provers. However, scalable proof optimization is hindered by heterogeneous and heuristically specified objectives, scarce data, and high training and inference costs. To overcome these challenges, we introduce ImProver 2, a neurosymbolic framework for automated proof optimizatio
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:12AI 초안
