기존 평가가 패턴 암기와 진정한 수학 추론을 구분하지 못하는 문제를 겨냥해, ASyMOB는 적분·극한·미분방정식 등 35,368개의 기호 수학 문제에 기호·수치·동등성 보존 변형을 체계적으로 적용하는 고해상도 벤치마크를 제시한다. 평가 결과 대부분의 LLM은 사소한 변형에서도 성능이 급락하고(비변형 74.6%→전체 46.8%), 코드 도구는 약한 모델을 안정화하며, CAS가 실패한 문제는 LLM이나 LLM-CAS 하이브리드로 해결되는 사례도 확인되었다.
과학에서 나타나는 많은 방정식은 현재 이용 가능한 해석적 기법으로 풀 수 없어, 명시적인 기호 표현을 얻지 못한 채 수치적으로 풀리고 있다. 기존 기호 회귀(symbolic regression) 접근법은 기호 표현을 복원할 수 있지만, 지배 방정식(governing equation)만이 아니라 기저 과정에서 얻은 학습 데이터가 필요하다. 우리는 방정식 풀이를 미분 가능한 기호 모델에 대한 최적화(optimization) 문제로 공식화하는 프레임워크인 기호 방정식 솔버(SES, Symbolic Equation Solver)를 제안한다. SES는 방정식과 초기 또는 경계 조건으로부터 목적 함수를 구성하여, 입력-출력 쌍 데이터의 필요성을 제거한다. 학습된 모델은 명시적인 기호 형태로 표현되어 추가 분석을 가능하게 한다. 우리는 대표적인 대수 방정식과 미분 방정식에 SES를 평가하였으며, 대수 방정식계, 초월항을 포함한 방정식, 상미분 방정식(ODE), 서로 다른 초기 또는 경계 조건을 갖는 편미분 방정식(PDE)을 포함한다. 이러한 설정 전반에 걸쳐 SES는 해당 해석적 해와 일치하는 간결한 기호 표현을 복원한다.