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七台河市某某超声设备有限责任公司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，港中七台河市某某超声设备有限责任公司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
当地时间12月11日，受“大气河”现象影响，美国西北部地区持续遭遇强降雨，部分地区出现严重洪灾，华盛顿州和俄勒冈州多地道路封闭，数万人被紧急疏散。△当地时间12月11日，美国华盛顿州斯诺霍米什2025-12-15
最近影视圈的大瓜真是扎堆来，陈妍希和周柯宇主演的《狙击蝴蝶》一开播就炸了，上线不到半小时，相关话题直接冲上热搜前排。不是因为剧情多烧脑，而是剧中亲密戏密度高到离谱，看得观众直呼“脸红心跳，脚趾抠出三室2025-12-15
我最近有个疑惑，分享出来看你们有没有遇到过：同样的脸型，剪同一个发型为什么还会“翻车”？就拿长脸来举例，都说长脸适合剪齐刘海，但额头短、中下庭比较长的，剪出来就很局促、看起来怪怪的。我们很多时候去剪头2025-12-15
抹黑前夫，“霸凌”周迅，狂妄自大的奚美娟，现在为无知付出代价
“你就是个渣男，连坐月子的老婆都敢抛弃。” 这是周野芒和奚美娟离婚后，听到的最多的一句话。当时，是他事业的上升期。 刚演完《水浒传》的林冲，风头正盛。只是谁也有想到，剧中哪怕妻子被高衙内调戏妻子，也只2025-12-15
本年度最扑朔迷离的事件，没有之一。男主尼古拉斯•普伊奇Nicolas Puech），一个82岁的法国老头，爱马仕第五代继承人之一，曾任集团董事会成员，2014年退休后仍持有5-6%的股份，是最大的个人2025-12-15
点击上面↑“电动知家”关注，记得加☆“星标”！电动知家消息，2025年12月5日，乐道汽车发布全国换电站电池翻倍计划，将向换电网络增投超8,000块全新电池包，预计于明年1月中旬完成。届时全国换电网络2025-12-15
最新评论