في تطور مثير في مجال الذكاء الاصطناعي، تم تقديم VERITAS، إطار عمل يجعل من إثبات النظريات الرسمية أكثر كفاءة وفعالية. يعتمد هذا النظام على نماذج اللغات الضخمة (Large Language Models) ويعمل بطريقة مبتكرة حيث يقوم بإعادة توجيه جميع إشارات المدققين — مثل أخطاء الصياغة، ومطابقات الأنواع، وتقدم الأهداف الجزئي — إلى عمليات البحث عن الإثبات.

تسير عملية VERITAS على مرحلتين: الأولى تتمثل في أخذ عينات من أفضل الخيارات (Best-of-N sampling) لتحديد الاتجاهات المناسبة، تليها مرحلة مساعدة نقدية (critic-guided) من خلال تقنيات مثل MCTS (Monte Carlo Tree Search) التي تستغل الأخطاء الناتجة عن المرحلة الأولى كأمثلة سلبية. هذه الإستراتيجية تمكّن النظام من الاحتفاظ بكل النظريات التي تم حلها خلال المرحلة الأولى، مما يعني أن المزيد من الحلول في المرحلة الثانية تُعزى إلى الاستكشاف المستند إلى التغذية الراجعة.

تشير النتائج الأولية إلى فعالية نظام VERITAS، حيث حقق 40.6% من النجاح في تقييم miniF2F، مقارنةً بمعدل 36.9% لنموذج Best-of-5 المستقل، و26.2% لطريقة Portfolio. كما أظهرت النتائج في VERITAS-CombiBench — معيار يشمل 55 نظرية في علم التوافقيات — أن استراتيجيات العينة غير الموجهة تؤدي إلى نتائج ضعيفة.

يمكن للمطورين والباحثين الآن الوصول إلى أدوات VERITAS عبر GitHub، مما يساهم في فتح أبواب جديدة في عالم البحث العلمي والذكاء الاصطناعي. مع هذه الإنجازات، يبقى السؤال: كيف يمكن لهذه التقنية أن تغير مستقبل الذكاء الاصطناعي وإثبات النظريات؟