Buchumschlag

QED-Nano: Teaching a Tiny Model to Prove Hard Theorems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	LM-Provers, Qu, Yuxiao, Setlur, Amrith, Dekoninck, Jasper, Beeching, Edward, Li, Jia, Wu, Ian, Tunstall, Lewis, Kumar, Aviral
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Artificial Intelligence Computation and Language Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Optimizing Test-Time Compute via Meta Reinforcement Fine-Tuning
von: Qu, Yuxiao, et al.
Veröffentlicht: (2025)

POPE: Learning to Reason on Hard Problems via Privileged On-Policy Exploration
von: Qu, Yuxiao, et al.
Veröffentlicht: (2026)

Reasoning Cache: Continual Improvement Over Long Horizons via Short-Horizon RL
von: Wu, Ian, et al.
Veröffentlicht: (2026)

BrokenMath: A Benchmark for Sycophancy in Theorem Proving with LLMs
von: Petrov, Ivo, et al.
Veröffentlicht: (2025)

Scaling Test-Time Compute Without Verification or RL is Suboptimal
von: Setlur, Amrith, et al.
Veröffentlicht: (2025)

RLAD: Training LLMs to Discover Abstractions for Solving Reasoning Problems
von: Qu, Yuxiao, et al.
Veröffentlicht: (2025)

InT: Self-Proposed Interventions Enable Credit Assignment in LLM Reasoning
von: Yang, Matthew Y. R., et al.
Veröffentlicht: (2026)

RL on Incorrect Synthetic Data Scales the Efficiency of LLM Math Reasoning by Eight-Fold
von: Setlur, Amrith, et al.
Veröffentlicht: (2024)

Recursive Introspection: Teaching Language Model Agents How to Self-Improve
von: Qu, Yuxiao, et al.
Veröffentlicht: (2024)

e3: Learning to Explore Enables Extrapolation of Test-Time Compute for LLMs
von: Setlur, Amrith, et al.
Veröffentlicht: (2025)

CaRT: Teaching LLM Agents to Know When They Know Enough
von: Liu, Grace, et al.
Veröffentlicht: (2025)

Reuse your FLOPs: Scaling RL on Hard Problems by Conditioning on Very Off-Policy Prefixes
von: Setlur, Amrith, et al.
Veröffentlicht: (2026)

Rewarding Progress: Scaling Automated Process Verifiers for LLM Reasoning
von: Setlur, Amrith, et al.
Veröffentlicht: (2024)

Discover and Prove: An Open-source Agentic Framework for Hard Mode Automated Theorem Proving in Lean 4
von: Liu, Chengwu, et al.
Veröffentlicht: (2026)

A Unified Approach to Routing and Cascading for LLMs
von: Dekoninck, Jasper, et al.
Veröffentlicht: (2024)

Learning from Saturated Data: Signals Beyond Correctness for LLM Training
von: Hiss, Hanno, et al.
Veröffentlicht: (2026)

Constrained Decoding of Diffusion LLMs with Context-Free Grammars
von: Mündler, Niels, et al.
Veröffentlicht: (2025)

Polyrating: A Cost-Effective and Bias-Aware Rating System for LLM Evaluation
von: Dekoninck, Jasper, et al.
Veröffentlicht: (2024)

Benchmarking Testing in Automated Theorem Proving
von: Kim, Jongyoon, et al.
Veröffentlicht: (2026)

ConStat: Performance-Based Contamination Detection in Large Language Models
von: Dekoninck, Jasper, et al.
Veröffentlicht: (2024)

How Can We Synthesize High-Quality Pretraining Data? A Systematic Study of Prompt Design, Generator Model, and Source Data
von: Niklaus, Joel, et al.
Veröffentlicht: (2026)

Aristotle: IMO-level Automated Theorem Proving
von: Achim, Tudor, et al.
Veröffentlicht: (2025)

Automated Theorem Proving for Prolog Verification
von: Mesnard, Fred, et al.
Veröffentlicht: (2026)

Controlled Text Generation via Language Model Arithmetic
von: Dekoninck, Jasper, et al.
Veröffentlicht: (2023)

Not All Proofs Are Equal: Evaluating LLM Proof Quality Beyond Correctness
von: Petrov, Ivo, et al.
Veröffentlicht: (2026)

Steering LLMs for Formal Theorem Proving
von: Kirtania, Shashank, et al.
Veröffentlicht: (2025)

Automated Discovery of Tactic Libraries for Interactive Theorem Proving
von: Xin, Yutong, et al.
Veröffentlicht: (2025)

What Do Learning Dynamics Reveal About Generalization in LLM Reasoning?
von: Kang, Katie, et al.
Veröffentlicht: (2024)

Learning to Reason with Insight for Informal Theorem Proving
von: Li, Yunhe, et al.
Veröffentlicht: (2026)

A Theorem-Proving-Based Evaluation of Neural Semantic Parsing
von: Funakura, Hayate, et al.
Veröffentlicht: (2025)

Seed-Prover: Deep and Broad Reasoning for Automated Theorem Proving
von: Chen, Luoxin, et al.
Veröffentlicht: (2025)

RLMEval: Evaluating Research-Level Neural Theorem Proving
von: Poiroux, Auguste, et al.
Veröffentlicht: (2025)

Lyra: Orchestrating Dual Correction in Automated Theorem Proving
von: Zheng, Chuanyang, et al.
Veröffentlicht: (2023)

PhysProver: Advancing Automatic Theorem Proving for Physics
von: Zhang, Hanning, et al.
Veröffentlicht: (2026)

Lower Bounds for Public-Private Learning under Distribution Shift
von: Setlur, Amrith, et al.
Veröffentlicht: (2025)

MathArena: Evaluating LLMs on Uncontaminated Math Competitions
von: Balunović, Mislav, et al.
Veröffentlicht: (2025)

Mechanic: Sorrifier-Driven Formal Decomposition Workflow for Automated Theorem Proving
von: Qiu, Ruichen, et al.
Veröffentlicht: (2026)

miniCTX: Neural Theorem Proving with (Long-)Contexts
von: Hu, Jiewen, et al.
Veröffentlicht: (2024)

Faithful and Robust LLM-Driven Theorem Proving for NLI Explanations
von: Quan, Xin, et al.
Veröffentlicht: (2025)

OProver: A Unified Framework for Agentic Formal Theorem Proving
von: Ma, David, et al.
Veröffentlicht: (2026)