बड़े पैमाने के भाषा मॉडल (एलएलएम) की गणितीय क्षमता के आकलन की चुनौतियों का समाधान करने के लिए, यह शोधपत्र Proof2Hybrid ढाँचे का प्रस्ताव करता है, जो प्राकृतिक भाषा-गणितीय डेटा से स्वचालित रूप से उच्च-गुणवत्ता वाले प्रमाण-संचालित मानक तैयार करता है। Proof2X नामक एक रोडमैप के माध्यम से, हम गणितीय प्रमाणों को विविध, आसानी से सत्यापन योग्य प्रश्नों में बदलते हैं। विशेष रूप से, हम एक नया हाइब्रिड प्रश्न प्रारूप, "m-out-of-n multi-judge questions" प्रस्तुत करते हैं, जो अनुमान और सतही पैटर्न मिलान के लिए मज़बूत हैं। हम बीजीय ज्यामिति के लिए AlgGeoTest (456-आइटम) मानक का उपयोग करके अत्याधुनिक एलएलएम का मूल्यांकन करते हैं। हमें एलएलएम की बीजीय ज्यामिति की समझ में महत्वपूर्ण कमियाँ मिलती हैं, जो दर्शाती हैं कि इस अंतर का उपयोग उनकी गणितीय क्षमता को अधिक सटीक रूप से मापने के लिए किया जा सकता है। यह अध्ययन एआई प्रणालियों की गणितीय बुद्धिमत्ता पर गहन शोध की नई संभावनाएँ प्रस्तुत करता है।
