【AI】NP难问题接近被AI破解！南航牛津爆改DeepSeek-R1推理，碾压人类27年研究

主要观点总结

本文主要描述了使用AI工具DeepSeek解决数学问题的研究，包括其在解决希尔伯特问题反例和NP-hard问题上的突破。文章还介绍了SoS-1K数据集和SoS推理指令集的作用，以及不同模型在SoS任务上的评估结果。此外，还讨论了当前人工智能工具的局限性和未来发展趋势。

关键观点总结

关键观点1: DeepSeek在解决数学问题上的突破

DeepSeek能够通过推理指导提高数学问题的求解能力，解决了希尔伯特问题反例和NP-hard问题。

关键观点2: SoS-1K数据集的作用

SoS-1K数据集用于评估不同模型在解决多项式问题上的性能，包括多项式的识别、非负性判断等任务。

关键观点3: SoS推理指令集的重要性

SoS推理指令集为LLM提供结构化的分析框架，明确了约束条件，优化了逻辑推理流程，提高了模型解决数学问题的能力。

关键观点4: 不同模型在SoS任务上的评估结果

研究对不同模型在SoS任务上的表现进行了评估，包括基础模型、微调模型和大型语言模型等。结果显示，大型语言模型在解决复杂数学问题方面表现出色。

关键观点5: 人工智能工具的局限性和未来发展趋势

当前的人工智能工具在处理长输入、复杂多项式和非负性验证等方面还存在局限性。未来发展趋势包括提高模型的泛化能力、优化推理过程、加强模型的自我学习能力等。

文章预览

来源：新智元 【导读】 给DeepSeek-R1推理指导，它的数学推理能力就开始暴涨。更令人吃惊是，Qwen2.5-14B居然给出了此前从未见过的希尔伯特问题的反例！而人类为此耗费了27年。研究者预言：LLM离破解NP-hard问题，已经又近了一步。 就在刚刚，南航、南通大学、牛津等机构的研究者发现：通过高指令的推理指令，DeepSeek-R1有望解决数学上的NP-hard问题！ 论文地址：https://arxiv.org/abs/2502.20545 NP-hard问题，是计算复杂性理论中的一类问题。它们至少和NP问题一样难，但不一定属于NP类别（即不一定中多项式时间内被验证）。 本来，DeepSeek-R1、GPT-4o、OpenAI o1-mini这些模型，是做某种数学推理难题（SoS）是很困难的，正确率也就比纯猜高一点。 但是，一旦给它们一些推理指导，所有的模型的推理能力立马噌噌上涨，专业率最高提升了21%。 更令研究者们吃惊的是 ………………………………