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鞍山市某某贸易培训学校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，港中鞍山市某某贸易培训学校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
北京时间12月6日凌晨，2026美加墨世界杯抽签仪式在美国华盛顿的约翰-F-肯尼迪表演艺术中心举行，抽签结果目前已经全部出炉，挪威队与法国队、塞内加尔队同处I组。抽签仪式结束后，哈兰德更新了社交媒体动2025-12-12
版权声明：本文版权为网易汽车所有，转载请注明出处。网易汽车11月18日报道2024梅赛德斯 - 奔驰科技创新日，堪称一场汽车科技的盛宴。奔驰在此展示了其 “硬核” 无比的纯电越野技术、全新一代智能域控2025-12-12
夏日炎热，适宜清爽干净的“Clean Fit”；入冬以后为了御寒，上身的衣服变多了，则更适合混搭风。关于混搭风，我们已经很熟悉了。它指跳出常规的搭配，却又不能凌乱。难就难在这里，搭配得当可以提高衣服的2025-12-12
不同穿衣风格的女性，她们每天塑造的穿搭有着明显的区别，而时尚的女性从来不会因为穿衣而发愁，因为她们总是能够找到很多的途径去解锁全新的造型。这27套穿搭，其实是大多数人可以借鉴的造型，如果对穿衣确实不是2025-12-12
2026年世界杯分组抽签仪式结束后，阿根廷足协主席塔皮亚在社媒发文展望世界杯。世界杯J组抽签出炉，包括：阿根廷、阿尔及利亚、奥地利、约旦。塔皮亚表示：今天，一个崭新的梦想已启航——这个我们每四年追逐一2025-12-12
版权声明：本文版权为网易汽车所有，转载请注明出处。网易汽车11月18日报道据说，大众汽车与小鹏汽车的合作已经取得了实质性进展。双方的合作项目包括两款合作车型以及CEA架构的开发，目前正在紧锣密鼓地进行2025-12-12
最新评论