MaxProof: 生成-検証器RLと集団レベルテストタイムスケーリングによる数学的証明のスケーリング

MiniMax-M3シリーズにおける競技レベルの数学的証明のための集団レベルテストタイムスケーリングフレームワーク「MaxProof」が発表された。M3は、低誤検出率で設計された防御重視の生成検証器を用いて、証明生成、証明検証、批判条件付き証明修正の3つの証明指向能力を訓練する。これらの能力は単一のリリース済みM3モデルに統合される。テスト時には、MaxProofはモデルを生成器、検証器、改良器、ランク付け器として扱い、候補証明の集団を探索し、トーナメント選択を通じて最終的な証明を返す。MaxProofテストタイムスケーリングにより、M3モデルはIMO 2025で35/42、USAMO 2026で36/42を達成し、両方で人間の金メダル閾値を超えた。