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上海市某某建筑科技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，港中上海市某某建筑科技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
乌克兰总统泽连斯基2日任命时任乌国防部情报总局局长布达诺夫为乌总统办公室主任，并宣布对乌国防部多个关键岗位的人事安排进行调整。乌媒体和分析人士认为这将对俄乌冲突走向、和平谈判及乌国内选举产生多重影2026-01-07
55岁邓文迪闪耀MetGala，中规中矩却也点题，圆润的大女儿相伴
当地时间5月6日晚，邓文迪在社交媒体上分享了一张华丽的照片，是她和大女儿格蕾丝·默多克的合影，母女俩看上去都很夺目。像往年一样，5月的第一个星期一对于邓文迪来说，是个注定要盛装面对镜头的日子。今年的大2026-01-07
据悉，吉利熊猫参数丨图片）卡丁将于5月9日上市，而且它现在已经开启了预售，预售的价格是4.89万元，其实它作为熊猫mini的衍生车型，熊猫卡丁在外观上面进行了一定的改变，并且提供了22千瓦直流快充。接2026-01-07
晚上好啊。节后第一天上班，你们状态还好吗~昨天一看手帐，竟然立夏了 ， 短袖 也是时候要“上班”了。虽然我们大广州已经穿了好一阵子了。）短袖里有一类单品正在强势刷屏—— Polo衫 。 相信有心观察的2026-01-07
地铁安检仪辐射超标，孕妇过安检会导致胎儿畸形？丨中新真探2026-01-06 16:17:06 来源：中国新闻网2026-01-07
在五六十岁这个年龄段，我们对于穿着的追求已经从单纯的时尚转向了舒适与优雅，然而，许多女性在这个阶段仍然面临如何搭配服装的困扰，往往陷入两个极端：要么选择过于休闲的服饰显得不够正式，要么选择老年装显得过2026-01-07
最新评论