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泰安市某某医疗设备专卖店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，港中泰安市某某医疗设备专卖店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
庭内庭外，李雪琴与昔日合作伙伴的“口水仗”正在升级。6月17日，微博用户@老谢同学之你谢哥李雪琴前合作伙伴谢田飞）实名披露其与李雪琴股权代持协议纠纷一案的庭审进展。谢在其中指控，其与李雪琴原合作公司北2025-06-28
▲日前，有消费者反映杭州某店铺出现“叫花鸡里没有鸡”的现象。图/社交平台截图 一场“叫花鸡风波”给去杭州河坊街旅游的游客添了堵。 据潮新闻报道，5月1日下午，一名叫“夏若浅沫”的博主和家人前往河坊2025-06-28
原标题：“假日经济”再升温 “五一”文旅市场活力足） 在河南洛阳，牡丹花海古韵悠悠，吸引众多游客驻足欣赏；在山东济宁，国风舞蹈、川剧变脸表演轮番上演，沉浸式实景演2025-06-28
中新网许昌5月7日电 题：探访中原“神算子”：每秒十亿亿次算力背后的科技力量作者王宇数字化时代，算力成为衡量国家科技实力的重要标准。在河南许昌，一座名为中原人工智能计算中心的科技高地引人注目，其强大的2025-06-28
“那尔那茜定向委培事件”引发公众质疑，内蒙古教育厅：正在调查
近日，演员那尔那茜被推上风口浪尖，其自爆定向委培事件引发公众质疑。至今，事件持续发酵，各种传言甚嚣尘上。6月13日，大皖新闻记者通过内蒙古自治区教育厅网站的厅长信箱，咨询那尔那茜当年是否存在定向委培违2025-06-28
来源：观察者网 观察者网讯）当地时间5日，美媒《华盛顿邮报》援引四名知情人士消息称，特朗普的总统竞选团队正考虑是否加入在美国广受欢迎的短视频应用TikTok，以吸引年轻选民。 报道称，特朗普在2025-06-28
最新评论