پیش‌زمینهٔ سامانه Kimina-Prover
در سال 2025، تیم Project‑Numina یک پروژهٔ تازه که بر پایهٔ مدل‌های یادگیری عمیق رسمی طراحی شده، معرفی کرد. این پروژه به‌دلیل توانمندیش در اصلاح برهان‌های پیچیده، توجه‌های بالای پژوهشگران را جلب کرد.
روش جستجوی RL در زمان اجرا
Kimina-Prover از الگوریتم جستجوی RL (به‌صورت Test‑Time RLSearch) استفاده می‌کند تا در لحظهٔ پردازش برهان، بهترین مسیرهای اصلاح را پیدا کند. این امر باعث می‌شود مدل هنگام رسیدن به خطا، خود به‌خود یک راه حل پیدا کرده و تکرار کند.
نحوهٔ اصلاح خطاهای برهان
- تشخیص خطای خط اول برهان
- درخواست یک اقدام اصلاحی از درون RL
- اجرای باز هم برهان با تغییرات اعمال‌شده
به‌طور واضح در مثالی که در بلاگ منتشر شد، Kimina-Prover پیش از اصلاح خطا، پیام خطای «خطا در نماد» را نشان می‌داد؛ پس از اجرا، پیام «برهان اصلاح‌شده» نمایش داده می‌شود، که نشان دهندهٔ عملکرد مناسب است.
خلاصهٔ نسخهٔ Kimina-Prover-72B
نسخهٔ جدید، با وزن ۷۲ میلیارد پارامتر، در Hugging Face منتشر شد و می‌تواند در محیط‌های ابری یا محلی برای تحقیقات یا محصولات صنعتی اعمال شود.
پرسش‌های پرتکرار
Kimina-Prover چیست؟
سرویس هوش مصنوعی بر پایهٔ جستجوی RL برای اصلاح برهان‌های رسمی در زمان اجرا است.
چگونه می‌توان از Kimina-Prover استفاده کرد؟
مورد استفاده از مدل را می‌توان در محیط‌های Hugging Face در قالب یک دیپلوی endpoint گذاشت و از API برای ارسال برهان‌ها بهره برد.
