LongCat-Flash-Prover: Revolutioniert formales Denken mit agentenbasiertem Lernen
LongCat-Flash-Prover ist ein 560‑Billionen‑Parameter‑Modell, das als Open‑Source‑Mixture‑of‑Experts (MoE) für das formale Beweis‑System Lean4 entwickelt wurde. Durch die Integration von agentenbasiertem Tool‑Learning (T…
- LongCat-Flash-Prover ist ein 560‑Billionen‑Parameter‑Modell, das als Open‑Source‑Mixture‑of‑Experts (MoE) für das formale Beweis‑System Lean4 entwickelt wurde.
- Durch die Integration von agentenbasiertem Tool‑Learning (TIR) setzt es neue Maßstäbe in der nativen formalen Logik.
- Das System zerlegt die Aufgabe des formalen Denkens in drei unabhängige Fähigkeiten: automatische Formalisierung, Skizzenerstellung und Beweisführung.
LongCat-Flash-Prover ist ein 560‑Billionen‑Parameter‑Modell, das als Open‑Source‑Mixture‑of‑Experts (MoE) für das formale Beweis‑System Lean4 entwickelt wurde. Durch die Integration von agentenbasiertem Tool‑Learning (TIR) setzt es neue Maßstäbe in der nativen formalen Logik.
Das System zerlegt die Aufgabe des formalen Denkens in drei unabhängige Fähigkeiten: automatische Formalisierung, Skizzenerstellung und Beweisführung. Ein Hybrid‑Experts‑Iteration‑Framework erweitert hochwertige Aufgabenpfade, indem es formale Aussagen aus informellen Problemen generiert, komplette Beweise aus einer Aussage erstellt oder lemma‑artige Skizzen liefert.
Für das agentenbasierte Reinforcement‑Learning nutzt LongCat-Flash-Prover einen Hierarchical Importance Sampling Policy Optimization (HisPO) Algorithmus. Dieser stabilisiert das Training des MoE-Modells bei langen Aufgaben, indem er Gradient‑Masking einsetzt, das die Policy‑Veralterung und Unterschiede zwischen Trainings‑ und Inferenz‑Engines auf Sequenz- und Tokenebene berücksichtigt. Zusätzlich werden Mechanismen zur Theorem‑Konsistenz und Rechtsmäßigkeit eingebaut, um Reward‑Hacking zu verhindern.
Die umfangreichen Tests zeigen, dass LongCat-Flash-Prover den aktuellen Stand bei Open‑Weight‑Modellen in Auto‑Formalization und Theorem‑Proving übertrifft. Es erreicht einen Pass‑Rate von 97,1 % auf MiniF2F‑Test mit nur 72 Inferenz‑Budget pro Problem und löst 70,8 % von ProverBench sowie 41,5 % von PutnamBench bei maximal 220 Versuchen pro Problem.
Welche Linse du auf diese Meldung legen solltest
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
Achte zuerst darauf, was sich fuer Nutzer, Builder oder Unternehmen konkret veraendert und ob daraus ein nachhaltiger Trend entsteht.