Исследование надежности МММ в математическом обосновании: установление контрольных параметров с учетом математико-эквивалентной трансформации передовых математических проблем

arXiv:2508.088833v4 Тип объявления: заменить резюме: модели пограничного большого языка (ММЛ) в настоящее время достигают почти максимальной точности стандартных математических критериев и показателей на уровне золотой медикаментозной продукции на Международной математике Олимпиады. Поскольку эти контрольные показатели сливаются, а их предметы уходят в данные о подготовке кадров, высокие оценки больше не показывают того, является ли та или иная модель убедительным основанием для этого или же какой из компонентов ее аргументации потерпело неудачу. Для того чтобы оценить логику, сохраняя возможность диагностирования результатов информативными и неисправностями, мы предлагаем GAP (Generation- and-Persurbation), методологию, которая автоматически создает математически эквивалентные варианты существующих проблем математики в масштабе с использованием двух разрозненных интерпретируемых преобразований: 1) переименования поверхности, изучение связи между идентификаторами и латентно переменными функциями; и 2) перезаписывание ядер с целью определения того, выживает ли план высокого уровня доказательства изменения математической настройки. По сравнению с существующими контрольными показателями ГПД имеет два ключевых преимущества: 1) новизна, вероятно, не