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攀枝花市某某机床铸造维修站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，港中攀枝花市某某机床铸造维修站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
专升本+考研双突破！城院学子闵波：把“不可能”变成“我可以”
闵波郑州城市职业学院2020级工程造价专业现河南科技大学研究生从迷茫到坚定在成长中积蓄力量2020年9月，18岁的闵波对大学生活满是憧憬，但也时常陷入迷茫：看着身边同学或专注专业课、或积极参与活动，自2025-12-26
鞭牛士报道，5月3日消息，据外电报道，负责监督谷歌一项关键反垄断审判的法官周四反复表示，他认为一个强大的竞争对手搜索引擎很难出现。在审判第一天的结案陈词中，美国地区法官阿米特·梅塔 (Amit Meh2025-12-26
财联社5月7日讯编辑 黄君芝）媒体周一援引知情人士的话报道称，美国电动汽车制造商特斯拉开启了新一轮的裁员行动，这次对准的是软件、服务和工程部门。据知情人士透露，特斯拉的部分员工在上周末收到了电子邮件，2025-12-26
小米汽车：SU7智能泊车具备机械库位泊入能力，后续将OTA推送
IT之家 5 月 6 日消息，小米汽车今日继续更新“小米 SU7 答网友问”，主要涉及智能化及部分用车场景相关问题。关于“授权登录账号持续多久后需重新授权”，小米汽车回复称，若用户为家人 / 朋友授权2025-12-26
2025年12月31日的火车票正式发售，去哪儿数据显示，截至12月17日上午10：00，已有多条热门线路的部分车次售罄，包括北京到哈尔滨、北京到郑州、北京到武汉，深圳到汕头，成都到宜宾，成都到西昌，宁2025-12-26
近日，网传电竞代打圈大神“胖猫”相关话题引发热议，后续各地网友下单点外卖放在江边以表怀念，然而其中部分外卖出现空包、奶茶变白水等情况，引发网友不满。 5月3日，茶百道就“点外卖变白水”事件发布声2025-12-26
最新评论