研究称可训练 LLM 自主发现有趣定理，趣味度提升 4.3 倍
研究者教 LLM 自己判断定理有没有意思，趣味度提升 4.3 倍，还搞了个自动发现循环，做数学方向的朋友看看。
一条推文转述了一项关于 LLM 数学发现的研究。研究提出可量化的趣味度（interestingness）指标，用于衡量定理的价值。
结果显示训练后 LLM 发现的定理趣味度提升 4.3 倍。
团队还构建了一个自我扩展的发现循环，让 LLM 在无人类指导下持续寻找有趣定理。文中提到 LLM 已能证明困扰数学家数十年的结果，当前瓶颈在于自主发现有趣定理。
this is important Niket Patel @niketnpatel “An accumulation of facts is no more a science than a heap of stones is a house.” - Poincaré LLMs are now proving results that have resisted mathematicians for decades. Finding interesting theorems without human guidance is a new bottleneck. We show that we can teach an LLM to do it! TL;DR: → a quantitative notion of interestingness → 4.3× higher interestingness → a self-expanding discovery loop [1/5] 🔗 View Quoted Tweet
本条情报归属 AITOP「论文」核心栏目，重点聚焦北美前沿实验室与硅谷科技巨头。在跨区域产业观察坐标中，该动态直接关联「AI 开发者工具链、Coding Agent 与工程化实践」研究主线，反映出当前技术演进与商业落地的最新风向。涉及核心实体与技术议题包括：LLM、定理证明、自动发现、数学，读者可通过下方标签进入对应专题页查阅历史脉络与关联对比。
信源核验说明：本文原始线索采编自「Thomas Wolf」（@Thom_Wolf），经 AITOP 多维评分管线结构化提炼。