无限问题生成器：基于代理工作流程验证性地扩展物理推理数据
计算与语言
2026-03-17 v1 人工智能
摘要
为复杂推理训练大型语言模型受限于可验证的高质量数据的稀缺。在物理学等领域，标准文本增强常引入幻觉，而静态基准缺乏用于微调的推理痕迹。我们引入无限问题生成器（Infinite Problem Generator, IPG），一种通过公式即代码范式合成具有可验证可解性物理问题的代理框架。不同于概率文本生成，IPG 将解决方案构造为可执行的 Python 程序，确保严格的数学一致性。作为概念验证，我们发布了经典力学V1版本，包含1335个经典力学问题，由165个专家种子扩展而来。该语料库展示了高结构多样性，涵盖102个独特物理公式，平均复杂度为3.05个公式/问题。进一步我们识别了复杂度蓝图，发现公式数量与验证代码长度之间存在强线性相关性（），该关系建立了问题难度的精确、无代理的度量标准，支持可控课程生成。我们发布完整的IPG管道、经典力学V1数据集及评估报告，以支持推理密集型领域的可重复研究。
引用
@article{arxiv.2603.14486,
title = {Infinite Problem Generator: Verifiably Scaling Physics Reasoning Data with Agentic Workflows},
author = {Aditya Sharan and Sriram Hebbale and Dhruv Kumar},
journal= {arXiv preprint arXiv:2603.14486},
year = {2026}
}