MIRA-Math：最小信息请求与数学推理的基准

数学推理基准通常提供解每题所需的全部事实，而交互式基准常把推理与工具、检索和长程对话混在一起。我们引入MIRA-Math：面向更窄诊断能力的基准——求解其完整潜在状态有唯一答案、但求解者视图恰好缺失一个必要原子事实的数学问题。求解者必须在严格预算下用自然语言请求缺失信息，然后把返回的事实整合进精确的最终答案。固定的受约束LLM响应者只看到数据集提供的原子事实，须在请求匹配时提供引用事实、否则拒绝。因此实例生成、类型化提示规格、验证与最终答案验证都是确定性的，而请求度量在固定的LLM中介响应者通道下测量。MIRA-Math含来自22个类型化数学族的2,310个生成实例——横跨代数、概率、线性系统、离散结构、信号处理、马尔可夫链、电路、插值与数值边值问题。跨前沿与小模型的实验显示：请求成功与最终答案准确率可分离——模型可能问对事实却在下游计算失败，或在获得规范提示前就失败。我们发布生成器、验证器、提示、运行元数据与数据集文档，支持数学推理中最小信息请求的可复现评估。