UnsolvedMath

UnsolvedMath 是一个精心策划的数据集，包含1,146个未解决的数学问题，涵盖所有领域和难度级别，其中包括最大规模的Erdős问题集合，以机器可读格式提供。数据集汇集了数学领域最负盛名的问题集，特别关注Paul Erdős的广泛问题集。数据集包含12个数学领域分类，5个难度级别，以及9个精选问题集。每个问题都包含唯一标识符、问题编号、标题、完整的LaTeX格式问题陈述、历史背景、难度级别、状态（开放或解决）、类别标识符等字段。数据集适用于数学研究、数学问答系统、LaTeX/数学符号处理、问题分类和组织、教育内容生成、研究文献提取和历史数学分析等任务。数据集以JSON格式提供，采用CC BY 4.0许可。

搜集汇总

数据集介绍

构建方式

在数学研究领域，系统化整理未解难题对于推动学科发展具有深远意义。UnsolvedMath数据集通过精心筛选与整合，汇集了来自多个权威来源的1146个开放数学问题。其构建过程主要依赖于对经典数学问题集的系统化收录，包括埃尔德什问题网站、克莱数学研究所的千禧年大奖难题、希尔伯特23问题等历史性文献。数据采集遵循严格的学术规范，确保每个问题都包含完整的数学陈述、历史背景和参考文献，并以结构化JSON格式呈现，其中数学表达式均采用LaTeX标准标记，为机器可读性提供了坚实基础。

特点

该数据集最显著的特征在于其内容的权威性与系统性。它不仅涵盖了数学史上里程碑式的问题集合，更独家收录了632个埃尔德什问题，构成了目前机器可读格式中规模最大的埃尔德什问题库。数据集采用多维分类体系，将问题划分为数论、组合数学、图论等12个数学领域，并依据研究深度设置了从可处理到千禧年大奖级别的五级难度梯度。每个问题条目均包含详尽的背景说明、原始提案者信息及完整文献引用，其结构化设计特别便于进行跨问题关联分析与历史脉络追溯。

使用方法

研究人员可通过加载数据集提供的JSON文件，便捷地访问全部数学问题及其元数据。典型应用场景包括基于问题难度或领域进行智能筛选，例如提取所有埃尔德什问题或特定难度级别的问题集合。由于问题陈述中广泛使用LaTeX数学标记，用户可结合KaTeX、MathJax等工具进行公式渲染，或利用正则表达式从背景文本中提取学术引用信息。该数据集适用于构建数学问答系统、生成教育内容、分析研究趋势以及测试自动推理模型在复杂数学问题上的表现，为计算数学与人工智能交叉研究提供了高质量的基准资源。

背景与挑战

背景概述

UnsolvedMath数据集于2026年由Przemek Chojecki等人构建，旨在为人工智能推理与数学研究提供一个结构化的开放问题基准。该数据集精心汇集了1146个未解决的数学难题，涵盖了从数论、组合数学到代数几何等12个核心数学领域，并特别收录了632个由保罗·埃尔德什提出的著名问题，使其成为目前机器可读格式中规模最大的埃尔德什问题集合。通过整合千禧年大奖难题、希尔伯特23问题等历史性经典，数据集不仅为数学探索提供了丰富的素材，也为评估AI在复杂逻辑推理和符号处理方面的能力设立了新的标准，对推动计算数学与人工智能交叉领域的发展具有深远影响。

当前挑战

该数据集致力于解决数学问题自动求解与推理这一核心领域挑战，其难点在于如何让AI系统理解并处理蕴含深层抽象逻辑和复杂符号表示（如LaTeX）的开放性问题。构建过程中的挑战尤为显著：首先，需从分散的历史文献、学术网站及专著中系统收集并验证上千个问题的准确性与完整性，确保数学表述的严谨；其次，对埃尔德什问题等非结构化文本进行机器可读的格式化转换，同时保留原始的数学符号与引文脉络，是一项极其精细的工程；此外，为问题划分难度等级和学科类别涉及主观判断，需平衡数学界的共识与数据集的一致性要求。

常用场景

经典使用场景

在数学研究领域，UnsolvedMath数据集为学者提供了一个结构化的开放问题库，尤其适用于数学问题自动问答系统的开发与评估。数据集包含1146个未解数学问题，涵盖数论、组合数学、图论等12个领域，并以LaTeX格式呈现问题陈述，便于机器解析。研究者可借此训练模型理解复杂数学语言，探索问题分类、难度分级以及历史背景分析，为人工智能在数学推理任务上的性能提供基准测试。

实际应用

在教育与科研实践中，UnsolvedMath可作为高级数学课程的辅助资源，激发学生对未解难题的兴趣，并支持生成定制化的研究材料。在技术层面，数据集的LaTeX标注为自然语言处理工具提供了丰富的数学符号处理样本，可用于开发智能解题系统或学术搜索引擎。此外，其开放的授权协议允许商业与非商业项目灵活应用，促进数学知识在更广泛场景中的传播与创新。

衍生相关工作

围绕UnsolvedMath数据集，已衍生出多项经典研究工作，例如基于其构建的数学推理基准测试框架，用于评估大型语言模型在复杂问题解决中的能力。同时，研究者利用数据集中埃尔德什问题的详细引用网络，开展了数学思想史的量化分析，揭示不同猜想间的隐含关联。这些工作不仅拓展了人工智能在专业领域的应用边界，也为数学研究的方法论注入了新的计算视角。