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荆门市某某事务所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，港中荆门市某某事务所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
今天，第十五届中国航展开幕陆军首批自主培养的女飞行员徐枫灿在直升机静态展示现场担任装备静态展示解说员在第十四届中国航展上徐枫灿就曾担当解说员在静态展示区为大家解说直-20机型在航展现场徐枫灿还向有志青2025-12-03
在高中三年这场无形的征程里，每年都有一道难关等待着我们去跨越。高一是新手玩家刚上手的那种摸索阶段，迷茫、跌跌撞撞，不小心就会被现实狠狠绊一脚。到了高三，一路积累的压力、紧张感、还有眼神里比决赛圈还集中2025-12-03
当地时间13日，以色列新任国防部长卡茨在以军总参谋长哈莱维的陪同下，上任后首次视察以军北方司令部，其间卡茨表示，以军将继续战斗，直到实现所有战争目标。 卡茨称，以色列不会停火、不会松懈。卡茨指出2025-12-03
11月12日凌晨，ATP年终总决赛第2比赛日进行。不久前在巴黎大师赛夺冠的兹维列夫出战，对手是卢布列夫。本场比赛兹维列夫仅仅耗时1小时12分钟，就以6-4、6-4的比分击败了对手，取得了年终总决赛开门2025-12-03
11月12日北京新房网签283套，二手房网签893套丨每日网签
据北京市住建委官网数据显示，11月12日北京新房网签283套，网签面积28545.47㎡，其中住宅网签151套，网签面积19102.48㎡；二手房网签893套，网签面积73857.73㎡，其中住宅网签2025-12-03
当地时间12日，以色列军队继续空袭黎巴嫩中南部和首都贝鲁特南郊等地，炸死33人。黎巴嫩真主党同一天向以色列发射数十枚导弹和火箭弹，造成以方2人丧生。 最猛攻势之一 以军轰炸贝鲁特南郊 致死332025-12-03
最新评论