<mark id="oztn4"></mark>
0
| 本文作者： 陳淑瑜 | 2026-06-23 18:28 | 專題：ICML：國際機器學習會議 |
數(shù)學推理正在成為通往下一代科學智能體的重要入口。隨著大語言模型、形式化證明與多模態(tài)推理的快速進展，AI 系統(tǒng)已經(jīng)在 IMO 級證明、自然語言數(shù)學推理與科學問題求解上展現(xiàn)出令人矚目的能力。
在這樣的背景下，本屆Workshop 將于 2026 年 7 月 10 日在韓國首爾 Coex Convention & Exhibition Center 舉辦。我們以 “Toward Self-Evolving Scientific Agents” 為主題，面向學界與產(chǎn)業(yè)界研究者，聚焦 AI 如何從“會做題、會證明”進一步走向“會驗證、會跨模態(tài)、會跨學科、會自我改進”，并最終服務真實的科學發(fā)現(xiàn)。
AI for Math Workshop 已連續(xù)在 ICML 2024 與 ICML 2025 成功舉辦，并持續(xù)推動數(shù)學推理、形式化證明與科學問題求解方向的交流。往屆 workshop 中產(chǎn)生了諸如PutnamBench 與 Limit of RLVR 等代表性工作；系列挑戰(zhàn)賽也累計吸引了超過2000支來自全球各地頂尖機構的參賽隊伍。2026 年的新一屆 workshop 將進一步把討論從“數(shù)學能力”拓展到“自進化科學智能體”。
形式化定理證明：如何讓 LLM 支持真實的數(shù)學研究與教學，并自主提出并解決創(chuàng)新猜想？
精確自動形式化：如何確保自然語言數(shù)學到形式語言翻譯的忠實性？
自然語言數(shù)學推理：純自然語言 Pipeline 下的前沿性能與驗證 。
科學問題解決：數(shù)學推理能力如何遷移至理論計算機科學與物理學等領域？
多模態(tài)推理：視覺信息在數(shù)學與科學推理中的應用 。
驗證和測評：面向 AI 生成證明、解答與科學結論的評測、faithfulness 與正確性驗證
人機協(xié)作：服務科學研究的人機協(xié)作、交互工具與工作流。
AI科學家：面向系統(tǒng)科學、邏輯學、經(jīng)濟學、生物信息學等方向的科學智能體。
? Track 1: 自動形式化的語義對齊評估
? Track 2: Lean 中的理論計算機科學證明
? Track 3: 基于視覺感知的物理問題
? Track 4: 端到端自動形式化與定理證明
? Paper Submission Deadline：2026/5/25 (AOE)
? Paper Decision Notification: 2026/6/15
? Camera-ready Deadline: 2026/6/25
? Challenge Open: 2026/5/1
? Challenge Deadline: 2026/6/15
? Workshop Date: 2026/7/10 or 2026/7/11
? 論文格式：2-8 pages，參考文獻與補充材料不限頁；
? 需使用 ICML 2026 格式，使用OpenReview 雙盲評審。本次Workshop為
non-archival形式。
? 錄用論文以 poster 展示為主；部分優(yōu)秀論文將受邀進行contributed talk。
? 鼓勵 challenge 參與者同步提交技術報告；獲獎隊伍需在結果公布后開源代碼以便驗證。
? Workshop 官網(wǎng): https://ai4math2026.github.io/
? OpenReview 投稿入口:
https://openreview.net/group?id=ICML.cc/2026/Workshop/AI4Math
? 郵箱: ai4mathicml@gmail.com
歡迎大家關注和參與本workshop。我們期待在 ICML 2026 與大家一起討論如何讓 AI 真正成為可驗證、可靠、可進化的科學伙伴。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
專題
本專題其他文章
