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保定市某某通信设备服务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，港中保定市某某通信设备服务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
韩国国会今天7月3日）下午通过对国务总理金民锡的任命案。总台记者 张昀） 此前报道： 韩总理被提名人金民锡回应学历争议：清华硕士没那么好拿观察者网） 近期，韩国国务总理被提名人金民锡因其清华2025-07-11
白云机场二号航站楼短时停电，机场方：部分区域照明断电，运行未受影响
极目新闻记者 詹钘4月27日晚，广州白云国际机场出现短时停电的情况。28日上午，机场方面向极目新闻记者确认当晚停电属实。机场官方微博发布消息称，因强对流天气导致二号航站楼部分区域照明系统断电，12分钟2025-07-11
南航官宣订购100架C919飞机 商飞集齐三大航300+架订单
4月29日晚间，中国南方航空股份发布公告称，于当日与中国商飞订立协议，拟购买100架C919系列飞机。这意味着，国航、东航、南航三大航空央企均已向商飞订购100架C919飞机，加上之前东航最早订购的52025-07-11
记者从国铁昆明局了解到，今天5月7日），经过建设者近40个小时的连续浇筑作业，渝昆高铁长水机场站明挖区间首块顶板完成浇筑，这标志着车站明挖区间正式进入主体结构施工阶段，为长水机场隧道进口贯通，以及渝昆2025-07-11
当地时间7月1日，总部位于瑞士日内瓦的世界气象组织发言人纳利斯表示，初夏酷热的天气给北半球大部分地区带来了足以危及生命的高温，而且随着全球变暖的持续，人类将更频繁面对类似的高温，甚至是比现在更严重2025-07-11
原标题：定了！嫦娥六号任务计划5月3日发射） 今天5月1日），国家航天局发布最新消息，经工程任务指挥部综合研判决策，探月工程四期嫦娥六号任务计划5月3日实施发射。2025-07-11
最新评论