当前位置：首页 > news >正文

DeepSeek-Prover-V2-671B 简介、下载、体验、微调、数据集：专为数学定理自动证明设计的超大垂直领域语言模型（在线体验地址）

news 来源：原创 2025/5/1 7:43:29

DeepSeek-Prover-V2-671B 最新发布：专为数学定理自动证明设计的超大语言模型

体验地址：Hugging Face 在线体验
推荐入口：Novita 平台直达链接（含邀请码）

一、模型简介

DeepSeek-Prover-V2-671B 是 DeepSeek 团队于 2025 年4月30日发布的开源超大垂直领域语言模型，专为在 Lean 4 语言中进行数学定理的形式化证明（formal theorem proving）而打造。该模型是 DeepSeek-V3 架构的继承者，采用冷启动推理数据合成与强化学习相结合的训练策略，成功将非形式化数学推理与形式化证明能力融合为一体。
在这里插入图片描述

二、技术亮点概览

1. 冷启动推理数据合成

DeepSeek-Prover-V2 通过一个递归推理流程合成“冷启动数据”：

使用 DeepSeek-V3 拆解复杂定理为一系列子目标（subgoals）；
利用较小的 7B 规模模型生成每个子目标的 Lean 4 形式化证明；
将这些步骤组合为完整证明，并结合 DeepSeek-V3 的思路链（chain-of-thought）形成训练样本。

2. 强化学习提升推理泛化

在冷启动数据的基础上，模型进一步经过强化学习微调：

通过难题的子目标解构，组合完成的定理证明；
使用“对错”二分类反馈（binary correct/incorrect）作为强化信号；
大幅提升模型处理复杂逻辑结构的能力。

三、权威评测成果

数据集	表现
MiniF2F-test	88.9% 通过率
PutnamBench	解出 49/658 道高难度数学题

这些结果表明 DeepSeek-Prover-V2-671B 在神经网络定理证明领域中达到了当前最先进水平。

四、ProverBench：覆盖高中到大学的数学题集

团队同步发布了专用评测数据集 ProverBench，共计 325 道题，题目来源涵盖：

AIME 24/25 竞赛题（15题）
初等代数、数论、线性代数、微积分等主流教材题（310题）

数学领域	题量
数论	40
微积分	90
线性代数	50
高中竞赛题	15
抽象代数、实分析等	若干

在这里插入图片描述

五、模型与数据开放获取

模型名称	下载地址
DeepSeek-Prover-V2-7B	Hugging Face
DeepSeek-Prover-V2-671B	Hugging Face

数据集名称	下载地址
ProverBench	Hugging Face

六、快速使用示例（基于 Transformers）

模型可直接接入 Hugging Face Transformers 框架进行使用，以下为 Lean 4 数学题自动证明示例（使用 7B 或 671B 均可）：


from transformers import AutoModelForCausalLM, AutoTokenizer
import torch
torch.manual_seed(30)model_id = "DeepSeek-Prover-V2-7B"  # or DeepSeek-Prover-V2-671B
tokenizer = AutoTokenizer.from_pretrained(model_id)formal_statement = """
import Mathlib
import Aesopset_option maxHeartbeats 0open BigOperators Real Nat Topology Rat/-- What is the positive difference between $120\%$ of 30 and $130\%$ of 20? Show that it is 10.-/
theorem mathd_algebra_10 : abs ((120 : ℝ) / 100 * 30 - 130 / 100 * 20) = 10 := bysorry
""".strip()prompt = """
Complete the following Lean 4 code:```lean4
{}
/```Before producing the Lean 4 code to formally prove the given theorem, provide a detailed proof plan outlining the main proof steps and strategies.
The plan should highlight key ideas, intermediate lemmas, and proof structures that will guide the construction of the final formal proof.
""".strip()chat = [{"role": "user", "content": prompt.format(formal_statement)},
]model = AutoModelForCausalLM.from_pretrained(model_id, device_map="auto", torch_dtype=torch.bfloat16, trust_remote_code=True)
inputs = tokenizer.apply_chat_template(chat, tokenize=True, add_generation_prompt=True, return_tensors="pt").to(model.device)import time
start = time.time()
outputs = model.generate(inputs, max_new_tokens=8192)
print(tokenizer.batch_decode(outputs))
print(time.time() - start)