港中深团队打造新型AI评测集，或可成为数学大模型检验的重要基准
我要评论近日，港中来自香港中文大学（深圳）的深团数学一支科研团队通过求解器的引入，把大模型回答的队打大模乌兰察布市某某商贸有限公司数学模型交给求解器解决，进而通过比对求解器的造新重基准答案，得以成功判断数学模型的型A型检正确性。
这相当于为参加考试的测集成考生准备了高级计算器，只需输入方程就能得出准确答案。港中这样一来，深团数学就可以判断学生所写的队打大模方程是否正确。
基于这个理念，造新重基准该团队构建了一款名为 Mamo 的型A型检评测集，能够结合不同的测集成求解器评测大模型相应的建模能力。
未来，港中乌兰察布市某某商贸有限公司这一评测集可能会成为数学大模型检验的深团数学重要基准，从而能够用于测试新训练大模型的队打大模建模能力。
同时，本次评测集的出现，也让评测中间过程成为可能，有望带动运筹大模型的发展。
谈及本次课题的初衷，研究人员表示在讨论 AI for math、特别是讨论大模型 for math 的时候，他们重点讨论了使用大模型做定理证明的任务。
借此发现采用现有的形式化定理证明工具，可以自动地验证证明过程的正确性，从而确定大模型的证明是否正确。否则，用自动化的方式判断一段数学证明的正确性是比较困难的。
以此为启发：他们想知道在其他任务中，是否存在和形式化定理证明工具一样的东西？如果有的话，能否让他们以简单的方式判断大模型的答案是否正确？
于是他们想到了求解器。当给定目标之后，求解器可以帮助运行出对应问题/对应方程的解。
通过对不同解答的比对，就可以判断中间过程、也就是判断数学模型的正确性。
此外，一直以来，人们对于大模型的数学能力的比较，一直是在最终结果（即一道题的最终答案）上，但却缺乏对于中间过程的关注。
打个比方，就是像数学考试解答题的判卷中，只考虑最后的答案正不正确，而忽略了中间的解题过程。但是，中间的解题过程和答案一样重要。
因此，课题组希望把这个评价体系拆开，不再只是关注最终答案，而是关注中间的解题过程。于是，便开展了本次研究并发表了相关论文。
图 | 论文作者黄旭函（来源：黄旭函）
日前，相关论文以《Mamo: 一个带有求解器的数学建模基准》（Mamo: a Mathematical Modeling Benchmark with 求解器 s）为题发在arXiv[1]。
图 | 相关论文（来源：arXiv）
下一步，他们将扩充数据，同时探索能够适配 Mamo 的不同求解器种类，以及构建相应的评测集。
参考资料：
1.https://arxiv.org/pdf/2405.13144
相关文章
来源：央视新闻客户端来自广西南宁的林女士，用过去三年的时间与一个有关她的网络谣言斗争，茫茫人海中她不仅亲自找到了造谣者，把他告上了法庭，历经一审二审，获得了胜诉。但对林女士而言，官司虽取胜，但一则谣言2025-12-04
为贯彻落实国家金融监督管理总局发布的《关于银行业保险业做好金融“五篇大文章”的指导意见》，加快构建多层次、广覆盖、多样化、可持续的“五篇大文章”服务体系，5月20日，中国人民健康保险股份有限公司以下简2025-12-04
【编者按】帮大家看剧的“第一集”系列来了，最近开播的剧集，值不值得入坑？好看的，奇葩的，一起来盘一盘。也许有的剧会渐入佳境，也许有的剧高开低走，所以本文仅代表作者对首播几集的意见，仅供参考。后续如有打2025-12-04
致命鹅膏(白罗伞) 灰花纹鹅膏(麻母鸡) 黄盖鹅膏(黄罗伞) 条盖盔孢伞 毒沟褶菌(小白菌、蝴蝶菌) 亚稀褶红菇(火炭菌) 松茸 又到了一年一度云南野生菌大量采摘上市的季节。看到鲜美2025-12-04
俄罗斯国防部24日发布战报称，过去一天，俄军在141个地区打击乌军有生力量和装备集结地，以及乌军数个军用机场的基础设施、数个无人机生产车间和储存点。俄防空部队击落乌军44架无人机。 同日，乌克兰2025-12-04
沈诗哲是湖南艺术家。2019年8月其专辑《FIRE》获全球音乐大赏Global Music Award GMA最高奖，同时她也是本次唯一获得该奖项的亚洲钢琴家。沈诗哲在全球各大著名音乐厅举行了数百场钢2025-12-04
最新评论