University of California, Los Angeles（加州大学洛杉矶分校）

First Proof Second Batch

首次证明第二批

Mohammed Abouzaid, Nikhil Srivastava, Rachel Ward, Lauren Williams

机构 * Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Harvard University（哈佛大学） ； Polish Academy of Sciences（波兰科学院） ； UC Berkeley（加州大学伯克利分校） ； Brown University（布朗大学） ； ETH Zürich（苏黎世联邦理工学院） ； MIT（麻省理工学院） ； Weierstrass Institute（魏尔斯特拉斯研究所） ； Duke University（杜克大学） ； Sorbonne Université（索邦大学） ； Boston College（波士顿学院） ； Université du Québec à Montréal（魁北克大学蒙特利尔分校） ； UCLA（加州大学洛杉矶分校） ； University of Michigan（密歇根大学） ； University of Maryland（马里兰大学） 纠错

AI总结 测试多个AI系统在十个数学研究问题上的解题能力，评估当前AI解决研究级数学问题的水平。

Recursive Learning Without Collapse: A Weighting-Based Stabilization Framework

无崩溃的递归学习：基于加权的稳定化框架

Hengzhi He, Shirong Xu, Guang Cheng

机构 * Wang Yanan Institute for Studies in Economics, Xiamen University（厦门大学王亚南经济研究所） ； Department of Statistics and Data Science, University of California, Los Angeles（加州大学洛杉矶分校统计与数据科学系） 纠错

AI总结 针对递归生成模型训练中的模型崩溃问题，提出基于加权的训练策略，在混合真实与合成数据场景下，理论推导出最优加权方案的统一表达式，揭示合成数据利用与模型性能间的权衡。

Comments This article has been accepted for publication in Journal of the Royal Statistical Society: Series B, published by Oxford University Press. The Version of Record is available at https://doi.org/10.1093/jrsssb/qkag099