Each language version is independently generated for its own context, not a direct translation.
这是一篇关于**"Code2Math"的论文，简单来说，它讲述了一个“数学题目进化器”**的故事。
想象一下，现在的 AI（大语言模型）在解数学题方面已经非常厉害了，甚至能拿到国际数学奥林匹克（IMO）的金牌水平。但是，要训练出更聪明的 AI，就像要培养一个顶级运动员，光靠现有的训练题是不够的——题目太简单了，缺乏挑战。
这就好比你想教一个已经会跑马拉松的人去跑越野赛，但你手里只有一堆平坦的柏油路练习题。
🚀 核心概念：让 AI 自己“出题”
这篇论文提出了一种新方法：让 AI 代码代理（Code Agent）自己去“进化”数学题目。
它不是简单地修改数字（比如把 x+1=2 改成 x+2=3），而是像一位**“数学炼金术士”**，利用代码作为工具，把一道普通的题目“点石成金”，变成一道结构更复杂、更烧脑、但依然有解的“超级难题”。
🛠️ 它是如何工作的？（三个角色的故事）
作者设计了一个由三个"AI 员工”组成的团队，他们分工合作，就像一家**“高难度题目定制工厂”**：
1. 进化者（The Evolution Agent）—— 疯狂的“出题人”
- 角色：它是工厂的创意总监。
- 任务：拿到一道旧题目（种子题目），分析它的解法，然后思考：“怎么改才能让它更难？”
- 绝招：它不靠空想，而是写代码！它会像科学家做实验一样，在电脑里疯狂运行代码，尝试各种修改方案。
- 比喻：就像厨师想发明一道新菜，他不会只靠想象，而是真的在厨房里试做。如果盐放多了，代码会告诉他“太咸了（无解）”；如果火候刚好，代码会告诉他“这道菜能成（有解）”。
- 目标：制造出一种“顿悟时刻”（Aha moment），让做题的人必须跳出常规思维才能解出来。
2. 可解性验证员（The Solvability Verification Agent）—— 严厉的“质检员”
- 角色：它是工厂的质量控制（QC）。
- 任务：检查“进化者”出的新题是不是真的能解，逻辑有没有漏洞。
- 绝招：它也会写代码，一步步验证解题过程。如果解题步骤里有逻辑错误，或者题目本身自相矛盾（比如要求一个数既是奇数又是偶数），它就会直接打回重做。
- 比喻：就像建筑监理，如果图纸上画的房子会塌，它绝不会让这栋楼开工。
3. 难度验证员（The Difficulty Verification Agent）—— 挑剔的“考官”
- 角色：它是工厂的评分专家。
- 任务：判断新题目是不是真的比旧题目难，还是只是“为了难而难”（比如只是把数字变大，让计算更繁琐）。
- 标准：它寻找的是**“智力上的挑战”**，而不是“体力上的折磨”。如果一道题只是计算量大，但思路很简单，它会给低分；如果一道题需要巧妙的洞察才能解开，它会给高分。
- 比喻：就像围棋教练，如果学生只是背了更多的定式（套路），教练不会觉得他变强了；只有当他学会了新的战术思维，教练才会点头。
🧪 实验结果：AI 真的能“青出于蓝”吗？
作者用这套系统做了大量实验，结果非常惊人：
- 题目是真的难：经过“进化”后的题目，连原本能解出旧题目的顶级 AI 模型，解出率也大幅下降。这说明新题目确实更难了。
- AI 能造出超越自己的难题：有些 AI 模型虽然自己解不出这些新题，但它们能设计出这些题。这就像一位**“天才教练”**，虽然他自己可能跑不过奥运冠军，但他能设计出只有奥运冠军才能完成的训练计划。
- 代码是关键：如果没有代码执行环境，AI 只能瞎编乱造。正是因为有了代码作为“实验场”，AI 才能验证自己的题目是否成立，从而进化出高质量的难题。
💡 总结与启示
这篇论文告诉我们：
- 数据稀缺不再是死胡同：以前我们愁没有好题目训练 AI，现在可以让 AI 自己通过“代码实验”来生成无限的高质量难题。
- 探索的力量：AI 不再只是被动地做题，它开始主动地探索数学空间，像人类数学家一样去发现新的规律和难题。
- 代价：这个过程很耗时，就像为了造出一把完美的剑，需要反复打铁、淬火、打磨。AI 需要尝试很多次（有时要失败 6 次才能成功 1 次），但这正是它变得聪明的过程。
一句话总结：
这篇论文展示了一种让 AI 利用代码作为“实验室”，自动把普通数学题“进化”成高难度挑战题的新方法，为未来培养更强大的 AI 数学大脑提供了源源不断的“燃料”。
Each language version is independently generated for its own context, not a direct translation.
1. 研究背景与核心问题
随着大型语言模型（LLM）在数学推理能力上逐渐逼近国际数学奥林匹克（IMO）水平，高质量、高难度数学问题的稀缺已成为进一步训练和评估的主要瓶颈。手动构建此类问题需要深厚的领域知识和巨大的人力成本，难以规模化。
与此同时，具备代码执行能力的智能体（Code Agents）展现了强大的推理和实验能力。本文旨在回答一个核心问题：代码智能体能否通过自主探索，将现有的数学问题“进化”为结构不同、难度更高且可解的新问题？
研究主要关注三个问题：
- 进化后的问题在数学上是否严谨且可解？
- 这些问题是否对当前的推理模型构成了真实的难度提升？
- 问题进化过程的效率如何？
2. 方法论：多智能体框架 (Multi-Agent Framework)
作者提出了一种基于**测试时扩展（Test-time Scaling）**的多智能体系统，将长周期的问题适应任务分解为三个专门的角色，并利用代码执行作为探索引擎。
2.1 核心组件
系统包含三个智能体：
- 进化智能体 (Evolution Agent)：
- 任务：分析种子问题（Seed Problem）及其解法，识别认知瓶颈，利用代码进行探索，生成更具挑战性的新问题。
- 策略：引入“心智理论”（Theory of Mind），模拟解题者的思维路径，刻意隐藏关键洞察（Insight），制造"Aha moment"（顿悟时刻），增加“发现负担”（Burden of Discovery）。
- 工具：使用 Python 沙盒（SymPy, NetworkX, Z3 等）进行符号计算、约束满足和穷举搜索，以验证假设和构造新参数。
- 可解性验证智能体 (Solvability Verification Agent)：
- 任务：检查生成问题的逻辑一致性、定义域合理性，并验证提出的解法是否存在逻辑漏洞。
- 机制：分为两个阶段：(1) 静态检查（定义域、矛盾约束）；(2) 逻辑审计（使用代码独立复现解法步骤，检测推导错误）。如果解法逻辑链断裂，则拒绝该问题。
- 难度验证智能体 (Difficulty Verification Agent)：
- 任务：评估进化后问题相对于原问题的难度提升。
- 标准：区分“人工复杂性”（如繁琐计算）与“认知深度”（如需要新洞察）。只有当新问题打破了标准解题模板，迫使解题者进行深度探索时，才被视为有效进化。评分从 1 到 5，3 分及以上视为通过。
2.2 工作流程
- 输入：原始问题及其解法。
- 过程：进化智能体进行多次尝试（Rollouts），每次尝试生成候选问题 -> 经过可解性验证 -> 经过难度验证。
- 输出：通过双重验证的进化问题及其参考解法。
3. 实验设置
- 数据集：收集了 100 个来自教科书、区域竞赛、IMO 和 AIME 的种子问题，涵盖代数、组合数学、微积分等领域。
- 进化模型：使用了 DeepSeek-Chat, DeepSeek-Reasoner, Gemini-3-Pro, Kimi-K2, Seed-2.0-Pro 等模型作为进化智能体。
- 求解模型：使用 6 个不同的模型（包括 GPT-5.2-High, DeepSeek-Reasoner 等）作为“解题者”来评估进化后问题的难度。
- 评估指标：
- 一致率 (AR)：内部验证智能体与外部裁判（GPT-5.2-High）在可解性判断上的一致性。
- 解题率 (SR)：求解模型在原始问题集与进化问题集上的准确率对比。
- 平均 Token 消耗 (ATC)：衡量解题所需的推理长度，作为难度代理指标。
- 进化效率：成功生成一个问题所需的平均失败尝试次数。
4. 关键结果
4.1 可解性验证 (Solvability)
- 系统生成的进化问题具有极高的可解性。
- DeepSeek-Reasoner 作为进化智能体时，与外部裁判的一致性达到 96% (94/98)。
- Gemini-3-Pro 生成的所有问题均通过了外部可解性检查 (98/98)。
- 这表明基于代码的逻辑审计能有效过滤掉无效生成。
4.2 难度提升 (Difficulty Escalation)
- 准确率下降：在大多数模型组合中，进化后问题的解题率（Evolution-SR）显著低于原始问题（Origin-SR）。
- 例如，DeepSeek-Reasoner 进化的问题使 GPT-5.2-High 的解题率从 70% 降至 64%；使 Gemini-3-Flash-Thinking 从 56% 降至 35%。
- 能力不对称性：进化智能体能够构造出超越自身解题能力上限的挑战。即模型可以“造出”自己解不出来的难题。
- Token 消耗增加：进化后问题的平均 Token 消耗显著右移（中位数从 ~9600 增加到 ~17000+），表明解题者被迫进行更长的推理链和更多的假设测试，而非简单的模式匹配。
4.3 效率与失败分析
- 计算成本：生成一个合格问题平均需要多次尝试。
- Gemini-3-Pro 效率最高（平均 1.56 次失败）。
- Kimi-K2 效率最低（平均 6.55 次失败）。
- 瓶颈：大多数失败（约 60-80%）发生在可解性验证阶段，而非难度验证阶段。这说明确保逻辑链条的严密性比单纯增加难度更难。
4.4 案例研究 (Case Study)
论文展示了多个成功的进化案例，例如：
- 将简单的二次不等式证明进化为涉及随机变量矩（Moment）的极值分布问题。
- 将 IMO 中的“阳光线”定义问题转化为关于斜率唯一性的几何优化问题。
- 将 AIME 中的整数列表统计问题转化为涉及组合构造和全局优化的复杂问题。
这些案例显示，进化后的问题不仅更难，而且在数学结构上更加丰富和优雅。
5. 主要贡献与意义
- 提出新框架：首次系统性地利用多智能体协作和代码执行，实现了数学问题的自主进化。将“发现负担”作为核心难度指标，而非单纯的计算量。
- 实证有效性：证明了代码驱动的智能体可以合成出数学上严谨、且显著超越当前 SOTA 模型解题能力的数学问题。
- 揭示能力不对称：发现模型在“出题”能力上可以超越其“解题”能力，这为自我进化（Self-evolution）和构建动态基准（Dynamic Benchmarks）提供了新思路。
- 权衡分析：揭示了在可靠性（逻辑一致性）和探索效率之间的权衡，指出逻辑验证是当前的主要瓶颈。
6. 结论
Code2Math 证明了可执行的代码环境是数学问题合成的强大引擎。通过结合测试时扩展（Test-time Scaling）和双重验证机制，智能体能够系统地探索数学空间，创造出具有深度认知挑战的新问题。这项工作不仅解决了高质量数学数据稀缺的问题，也为未来构建能够自我迭代、不断进化的 AI 数学研究系统奠定了基础。
局限性：目前的进化过程计算开销较大，且逻辑一致性验证仍是主要瓶颈。未来的工作将致力于提高探索效率并增强可解性保证。