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云浮市某某形象策划培训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，港中云浮市某某形象策划培训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
近日，不少网友在社交平台上分享，自己从蜜雪冰城企业微信）的社群推广和朋友圈中看到，雪王发布了一份关于“早餐”的调查问卷。 问卷涉及到询问大家的性别、年龄、职业、省份、喜欢的早餐类型、购买早餐的花2025-12-03
澎湃新闻记者从顾国宁先生多位友人处获悉，知名主持人顾国宁先生，因突发疾病，经医治无效，于2024年10月29日在上海逝世，终年46岁。 公开资料显示，顾国宁，1978年出生于黑龙江省齐齐哈尔市，2025-12-03
985大学“不香了”，21个专业仅1人报考，连年遇冷原因为何？
985大学作为国内高校的“天花板”，无论是在校的平台资源，还是毕业后的就业认可度，都是数一数二的，很多家长也把考上985视为最值得骄傲的事情，可如今时过境迁，天花板学历985大学竟然也有“不香了”的一2025-12-03
今天29日）上午，蔡旭哲、宋令东、王浩泽3名航天员在酒泉卫星发射中心与中外媒体记者集体见面。 宋令东：乘组确定以后，我和浩泽在指令长的带领下，加压奋进，扎实准备，把每一次的训练都当成实战，时刻牢2025-12-03
11月13日，在金凤台大石湾，观众正在观看飞行展示。人民网记者 翁奇羽摄11月13日，在第十五届中国国际航空航天博览会，运油-20正在进行飞行展示。人民网记者 翁奇羽摄11月13日，在第十五届中国国际2025-12-03
来源：时代周报 经济十强省“三季报”目前均已公布，各省份你追我赶，谁也不愿落后。 2024年前三季度，经济总量排名全国前十的省份依次为，广东、江苏、山东、浙江、河南、四川、湖北、福建、湖南和安2025-12-03
最新评论