Словарь
TCS-Bench
Бенчмарк, который проверяет, умеют ли языковые модели доказывать утверждения на исследовательском уровне в теоретической информатике. Задачи взяты из статей ведущих конференций (STOC, FOCS, SODA), доказательства из которых удалены. Модель получает определения и предшествующие леммы и должна сама написать полное доказательство, а его проверяет специальный агент-верификатор.