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曲靖市某某美容美发设备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，港中曲靖市某某美容美发设备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
日本首相高市早苗的错误言论在日本引发有识之士的强烈批评。日本日中劳动者交流协会会长伊藤彰信表示，高市的发言违反日本宪法，违反国际法。 日中劳动者交流协会会长 伊藤彰信：高市早苗）作出这样轻率的发2026-01-05
奥运会资格系列赛·上海将于5月16日-19日在黄浦滨江城市公园拉开帷幕，这不仅是四个潮流项目的比拼，更是一场融合了节日氛围的充满活力的城市体育、艺术、音乐和文化的盛会。除了赛事本身，在四个项目的赛场之2026-01-05
在经历了《哈尔滨1944》口碑翻车，《火锅》票房低迷狼狈撤档之后，作为主演的杨幂变得格外低调。近日，正在拍摄新剧的她被发现前往香港，还被路人曝光偶遇的相关细节，成为了当日的热议话题。某博主在平台分享与2026-01-05
姆巴佩自宣离队：不会与巴黎续约北京时间11日凌晨，姆巴佩发视频宣布自己不会与巴黎续约。姆巴佩在视频中表示，这就是我在巴黎的最后一年，我不会续约，我在巴黎的旅程将在几周内结束。我将在周末在王子公园球场为2026-01-05
来源：直播吧 直播吧1月1日讯 《图片报》报道，格罗斯对于在科瓦奇手下扮演替补角色感到不满，他即将转会回老东家布莱顿。 名记罗马诺率先披露了这一消息，随后《图片报》了解到，事件进展得非常快，格2026-01-05
直播吧5月7日讯 今晚7点35分，浙江男篮将在主场迎战新疆男篮，展开两队系列赛第3场对决。比赛开始前，摄影记者卢鹏儒在社媒上披露了两队今天的大名单，吴前、阿不都沙拉木领衔。以下为具体的名单：浙江队：佩2026-01-05
最新评论