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锦州市某某车业售后客服中心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，港中锦州市某某车业售后客服中心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
据悉，北京即将开通的17号线中段、18号线和6号线南延等3条段）轨道交通线路已完成各项建设任务，具备初期运营条件。届时，北京轨道交通运营里程将突破900公里，达到909公里，标志着首都轨道交通网络2025-12-29
2025年12月5日，湖北宜昌，淘宝闪购配送员在街头工作。 视觉中国 图历时8个月，阿里完成“饿了么”与“淘宝闪购”的品牌统一。12月5日，澎湃新闻记者获悉，“饿了么”APP在更新至最新版本后将全面2025-12-29
根据意大利媒体《晚邮报》的报道，法布雷加斯在离开科莫后，大概率会执教曼城或巴塞罗那。报道称，法布雷加斯有望成为弗里克在巴塞罗那或瓜迪奥拉在曼城的继任者。一旦他决定离开科莫，他不太可能继续在意甲执教其他2025-12-29
曼联已正式完成了16岁门将查理-哈迪的签约。曼联一直在等待英超联赛对该转会的批准，如今这笔交易已经敲定。根据《曼彻斯特晚报》的报道，查理-哈迪先与曼联签订奖学金协议，17岁时再签职业合同。报道称，哈迪2025-12-29
24日，A股三大指数集体高开高走。截至收盘，沪指涨0.53%，深证成指涨0.88%，创业板指涨0.77%。全市成交额1.90万亿，超4100只个股上涨。 板块方面，商业航天概念股再度爆发，福建本2025-12-29
12月5日，国际雪联单板及自由式滑雪大跳台世界杯北京站比赛在首钢大跳台“雪飞天”进行。在男子单板滑雪资格赛的比赛当中，苏翊鸣、葛春宇和赵英旭3位中国选手排名小组前5位，成功锁定了决赛资格。资格赛第1轮2025-12-29
最新评论