MATH GAUGE · v1.0.0

Kimi 3.1 Pro (max)

模型详细评测 · 公开+私有合并成绩

AI 审核 · 部分人工抽审审核方式 →
计分口径

当前成绩

内容可靠率与目标达成率

已审内容可靠率 91.14%;已确认目标达成率 68.03%。

子类已审内容可靠率已确认目标达成率
书面论证91.11%80.56%
论证审阅91.14%81.25%
语义审计80.00%75.00%
形式化99.46%98.91%
对齐自查79.49%33.33%
背景核查92.92%78.57%
数学想法手稿化95.77%62.41%
命题拓展100.00%0.00%

补审汇总 JSON ↗ · 计算方法 →

分类贡献

贡献分 / 该项满分;相关变体在家族内聚合。

Lean · 自查计分

比较三种计分口径

整章对齐 · 固定三轮

展开三轮原答与审核
R1 · 完整原答

KEEP

本轮未发现需要修改的缺陷,保留上一版全部源码及 alignment.json,未改动原始规格或冻结背景。

核查依据:

  • 固定环境吻合:Lean 4.29.1、编译器提交 f72c35b3f637c8c6571d353742168ab66cc22c00;mathlib 提交 5e932f97dd25535344f80f9dd8da3aab83df0fe6。
  • lake build Main 统一构建成功;Main.lean 导入全部 12 个 Ch03 目标及辅助模块。
  • 对齐表恰好覆盖 obligations.json 的 92 个 ID,无缺失、额外项或重复;所有项均为 complete,具有非空 representation 和实际声明,依赖 ID 均合法。
  • 对对齐表涉及的 165 个不同声明逐一执行公理审计,结果仅出现允许的 propext、Classical.choice、Quot.sound,未发现其他公理或占位证明。
  • 源码中未发现 sorry、admit、新增 axiom、unsafe 或 native_decide。
  • 逐项复核了定义和结论对应关系,特别检查了有限链零步基例、实际中间像域、常值优先分支、空限制域、无有限覆盖、无穷半径与无穷熵,以及各习题的合法结构和反例计算。

仍有的不确定性仅在于:冻结背景和固定 mathlib 按题意作为受信任依赖使用,本轮没有重新形式化或独立审计其全部数学内容;构建中的风格及未使用变量警告不影响内核检查结果。

原答文件 ↗

R2 · 完整原答

KEEP

本轮复核未发现需要修复的缺陷,上一版全部源码和 alignment.json 均原样保留,未改动原始规格或冻结背景。

核查依据:

  • lake build Main 成功,共完成 3305 个构建任务。
  • 绕过 Lake 缓存,对 Main.lean 及全部 12 个 Ch03 源文件逐一重新 elaboration,全部通过。
  • alignment.json 恰好覆盖全部 92 个义务 ID,无缺失、重复或额外项;所有项均为 complete,表示说明非空,依赖 ID 均合法。
  • 对齐表涉及的 165 个不同声明均真实存在并可由 Main 导入。
  • 对这 165 个声明逐一执行 #print axioms,165 份报告全部通过,仅含允许的 propext、Classical.choice、Quot.sound。
  • 未检出 sorry、admit、新增 axiom、unsafe 或 native_decide。
  • 重新核对了实际中间像域、有限链零步基例、常值优先分支、空集与无有限覆盖情形、无穷半径和无穷熵,以及各习题的完整计算与反例,未发现遗漏或结论弱化。

剩余不确定性仅限于信任边界:冻结背景和固定 mathlib 按题意作为外部依赖使用,本轮未独立重证其全部内容;现有风格及未使用变量警告不影响内核检查与覆盖结论。

原答文件 ↗

R3 · 完整原答

KEEP

本轮复核未发现需要修复的缺陷,未修改任何交付源码、alignment.json、原始规格或冻结背景。

核查依据:

  • 当前环境确认为 Lean 4.29.1,编译器提交 f72c35b3f637c8c6571d353742168ab66cc22c00;Lake 清单中的 mathlib 提交为 5e932f97dd25535344f80f9dd8da3aab83df0fe6。
  • lake build Main 成功,完成全部 3305 个构建任务;另行直接执行 lake env lean Main.lean 也通过。
  • alignment.json 恰好包含全部 92 个义务 ID,无缺失、重复或额外项;全部为 complete,表示说明均非空,依赖 ID 均有效,声明文件均存在。
  • 对齐表共有 177 次声明引用、169 个不同声明。通过 import Main 对这 169 个声明逐一重新执行公理审计,全部成功,未发现允许的 propext、Classical.choice、Quot.sound 之外的公理。
  • 交付源码中未检出 sorry、admit、新增 axiom、unsafe 或 native_decide。
  • 复核了各反例的合法域与基数、有限链零步基例和实际像域、商映射的代表元无关性、无穷半径及无穷熵分支、覆盖数端点和全部习题结论,未发现遗漏或弱化。

剩余不确定性仅限于信任边界和非形式语义判断:冻结背景与固定 mathlib 按题意作为受信任依赖,未独立重证其全部内容;原文自然语言与 Lean 表示的对应关系虽经逐项复核,仍不属于内核能够机械判定的性质。现有风格及未使用变量警告不影响上述构建和公理检查结论。

原答文件 ↗

92项义务,按最后规定轮次计分。

公开题 · 逐题成绩与证据

公开25题;私有14题计入合并成绩。

形式化初答 · 逐题核实数

按初答封卷工程核对编译及语义对应。

可靠性审核

公开题的错误承诺与扣罚理由

同根因扣罚去重;具体依据见逐题说明。

Harness与工具

Claude Code

整批951次工具调用,其中301次Bash命令;包含原始中断和恢复段。允许本地工具及预置依赖,禁止工具联网。

运行版本与来源

Claude Code 2.1.303;47次物理调用全部保留,初答重跑按首次正常交付选定。C003 R3依据用户事后断电排查接纳同一轮恢复;原始终态保留,后台和OS隔离认证不升级。

正式档案 ↗

下载当前口径

查看完整方法与数据说明 →