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白山市某某食品机械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，港中白山市某某食品机械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
吴岱融，这位曾经在电视荧幕上熠熠生辉的演员，如今的生活却仿佛落入了另一个维度。曾经站在聚光灯下的他，凭借优雅的古装角色赢得了无数观众的心，如今却选择了隐退，过着一段低调的生活。移居马来西亚后，他与妻子2025-09-02
来源：汤勇晓语本文共1800字，阅读约需5分钟请关注并星标“当代教育家传媒”永不失联系又是一年开学季。相信一些学校和家庭，不少老师和家长为准备“开学礼”又已经开始挖空心思，绞尽脑汁，并忙得不亦乐乎。这2025-09-02
“更名”后首份财报出炉！五矿新能上半年净亏损6593万元 由盈转亏
《科创板日报》8月23日讯记者 余佳欣）证券简称从“长远锂科”变更为“五矿新能”，又经历多位高层变动等一系列大动作后，今日8月23日），该公司发布“改头换面”后的第一份业绩报。今年上半年，五矿新能营收2025-09-02
8月23日晚，辽宁省葫芦岛市召开防汛抗洪救灾新闻发布会。发布会上介绍，8月19日灾情出现以来，葫芦岛市共集结交通、电力、通信专业抢险队伍1580余人，投入交通抢险设备882台，发电车119台，投入2025-09-02
当地时间24日傍晚，美国太空探索技术公司SpaceX）宣布取消原计划当日进行的“星舰”第十次试飞任务，原因是地面系统指发射台及其周边支持起飞的基础设施）出现问题。总台记者 张颖哲） 相关报道：2025-09-02
出品｜虎嗅商业消费组作者｜周月明编辑｜苗正卿题图｜视觉中国TikTok在东南亚的直播电商发展貌似又到了一个新高潮。8月22日，据外媒报道，TikTok shop在泰国的直播交易总额在过去8个月里增长了2025-09-02
最新评论