LongCat-Flash-Prover: Razonamiento formal mediante aprendizaje por refuerzo agéntico | Integración de herramientas lógicas en LLMs para demostración de teoremas | Agentes de IA especializados en lógica formal y matemáticas complejas

Abstract

PROBLEMA: El razonamiento formal nativo en LLMs sigue siendo inferior al razonamiento humano debido a la falta de rigor lógico y la incapacidad de interactuar eficazmente con verificadores externos. SOLUCIÓN: Se introduce LongCat-Flash-Prover, un sistema que utiliza Aprendizaje por Refuerzo (RL) integrado con herramientas agénticas para mejorar las capacidades de demostración de teoremas y razonamiento lógico. METODOLOGÍA: El enfoque utiliza una arquitectura donde el agente aprende a invocar herramientas de verificación formal durante el proceso de pensamiento, optimizando la política de selección de herramientas mediante RL. RESULTADOS: El modelo supera significativamente a los baselines en benchmarks de razonamiento matemático y formal, reduciendo los errores lógicos y mejorando la tasa de éxito en la resolución de problemas de olimpiadas matemáticas. RELEVANCIA: Clave para sistemas que requieren alta fidelidad lógica, como la auditoría de código o la verificación matemática automatizada.