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万宁市某某生态科技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，港中万宁市某某生态科技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
近期，日本首相高市早苗公然将所谓“台湾有事”与日本的“存亡危机事态”挂钩，暗示可能武力介入台海，这一妄言不仅引发中方强烈愤慨，严重冲击中日关系根基，更将日本自身置于巨大战略风险之中，也引发了国际社2025-12-23
即将影响上海！一航班遇上“台风眼”，旅客吓到惊声尖叫！最新路径→
受今年第18号台风“山陀儿”影响台湾局部地区出现暴雨有旅客10月1日从曼谷搭乘飞机返回桃园，高空直击“山陀儿”台风眼，“正规到令人发抖”。航班在飞行过程中因乱流剧烈，旅客们吓得惊声尖叫，空姐不时安抚旅2025-12-23
新华社快讯：据韩联社11日报道，韩国军方称未向朝鲜境内发射无人机。 相关报道：朝鲜谴责韩国无人机渗透至朝鲜首都平壤新华网） 新华社快讯：朝中社11日报道，朝鲜当天发表声明，谴责韩国无人机渗透至2025-12-23
来源：央视新闻客户端9月28日，由吉隆坡起飞的OD634航班抵达琼海博鳌国际机场，这也标志着博鳌机场首条国际客运定期航线正式开通。该航线由马印航空运营，使用机型为B737-Max8，每周六执飞。进港航2025-12-23
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2025-12-23
南海网9月30日消息记者 丁文文 通讯员 杨映娟 魏小婵 陈美颖）国庆黄金周将至，民航市场呈现客流量持续增长态势，以休闲旅游、探亲访友为主，民航业迎来出行小高峰。10月1日至7日，海南航空计划执行航班2025-12-23
最新评论