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上饶市某某电子科技制造厂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，港中上饶市某某电子科技制造厂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
央视网消息：近日，北京市人力资源和社会保障局发布消息，面向外卖员、网约车司机等新业态劳动者群体，在全市范围内全面推行职业伤害“小伤快赔”模式，该模式可以实现“小伤医疗费报销全程线上办”，大幅压缩理赔时2025-12-09
山东省2024年夏季普通高中学业水平合格考试成绩于8月22日今日）10:00发布。考生可登录山东省教育招生考试院网站https://www.sdzk.cn/），在规定时间内查询当次考试成绩。省教育招生2025-12-09
据塞尔维亚内务部当地时间8月22日16时最新消息，发生在该国西部德里纳河的翻船事故遇难者人数上升至10人。△警方在德里纳河流域搜寻 截至22日16时左右，塞尔维亚境内发现9具遗体，波黑境内发现12025-12-09
来源：财联社 财联社8月23日电，据中央军委后勤保障部版权所有的军队采购网消息，8月以来到发稿为止，该网已公布由火箭军后勤部采购供应局处理的191条将供应商纳入军队采购失信名单的公告信息，其中既2025-12-09
每次一聊到绿色，总能瞬间点燃大家的分享欲——毕竟这个颜色，对我们亚洲人的肤色特别友好。今天想跟大家细聊的，是今年格外火的这种复古绿：它浓郁、哑光，还透着一层暖黄调。其实早在90年代，它就曾被Miu姨一2025-12-09
山东是人口大省、教育大省，义务教育招生入学牵动着广大百姓的心。近年来，山东逐步探索报名入学“一网通办”，让学生家长享受数字赋能带来的“零跑腿”“少证明”甚至“零证明”便民服务成果。眼下，正是义务教育阶2025-12-09
最新评论