Matematiğin en zorlu testlerinden birindeki her soruyu çözmek genellikle on binlerce dolar maliyete yol açar. NEAR AI, bunu sadece 111 dolarla yaptı.
6 Eylül 2026 tarihinde NEAR Protocol ortak kurucusu Alex Skidanov, projenin açık kaynaklı Lean aracısının, William Lowell Putnam Matematik Yarışması'ndan alınan bir dizi testten oluşan PutnamBench benchmarkunda yer alan tüm 672 soruyu çözdüğünü duyurdu. Toplam maliyet: 111 dolar. İkinci en ucuz bilinen gönderim, bu tutarın 250 katı daha fazla maliyetle gerçekleşti.
PutnamBench tam olarak nedir ve neden önemli
Putnam yarışması, Kuzey Amerika'daki en prestijli lisans matematik yarışmasıdır. Hatta brilant öğrenciler arasında sıfır puan almak da sıradandır. Sınav, sizi kırmak için tasarlanmıştır.
2024 yılında tanıtılan PutnamBench, bu zorluk geleneklerini AI teorem-ispatlayıcılar için resmi bir değerlendirme paketine dönüştürür. Bu performans testi, matematiksel argümanların makineyle doğrulanabilir kesinlikle yazılmasını gerektiren Lean 4 adlı bir ispat asistanı dilinde kodlanmış 672 soru içerir. Mantıksal olarak zayıf bir ispat tamamen reddedilir, kısmi puan verilmez.
NEAR AI'nin sonucu öncesinde, PutnamBench'i deneyen ajanlar genellikle her soru için binlerce çıkarım çağrısı yapmak zorunda kalıyordu. Hesaplama maliyetleri hızla birikti ve öncü sistemler için tam benchmark çalıştırmaları toplamda 10.000 ila 25.000 dolar aralığında harcama gerektiriyordu.
NEAR AI'nin Lean ajanı, 672 soruluk tam seti 111 dolarla tamamladı.
Neden maliyet farkı gerçek hikaye
Her tam bir çalıştırmada 10.000 ila 25.000 dolar arasında maliyetle, yalnızca küçük bir sayıda kurum teorem ispatı süreçlerini yineleyebilir, deneyebilir ve geliştirebilirdi. 111 dolarla bu hesaplama tamamen tersine döner.
2025 ve 2026 arasında PutnamBench sonuçlarındaki hızlı ilerleme, büyük dil modellerini Lean’in kanıt denetleme motoruyla birleştiren ajan tabanlı iş akışları tarafından zaten destekleniyordu. NEAR AI’nın yaklaşımı bu kalıbı genişletiyor ancak benchmark topluluğunun daha önce görmediği bir verimlilik katmanı ekliyor.
NEAR AI, bu başarıyı IronClaw adını verdiği, gizlilik ve doğrulanabilir yapay zeka üzerine kurulmuş daha geniş bir altyapı vizyonu içinde konumlandırdı. Resmi doğrulama yeteneği, bu çerçeveye doğrudan uygun: bir matematiksel argümanı makine seviyesinde doğru olduğunu kanıtlayabiliyorsanız, çıktıları inanç temelinde değil, bağımsız olarak denetlenebilir yapay zeka sistemleri için bir temel oluşturursunuz.
NEAR Protocol’un Lean aracını açık kaynak yapma kararı, öneminin artmasını sağlıyor. %250 maliyet avantajı sağlayan mülkiyet araçları genellikle mülkiyetlerini korur. Aracın açık kaynak yapılması, yöntemin herkes tarafından incelenmesi, geliştirilmesi ve kullanılabilir hale gelmesi anlamına gelir.