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贵州某某环保工程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，港中贵州某某环保工程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
△阿努廷左）和西哈萨右） 当地时间12月24日晚，泰国执政党自豪泰党通过其社交媒体宣布，该党决议提名阿努廷和西哈萨为总理候选人。看守总理阿努廷为第一候选人，现任外长西哈萨为第二候选人，两人均已接受提2025-12-29
作者|郑皓元 实习生|胡若葭主编|陈俊宏近日，亚朵集团NASDAQ: ATAT）发布2025年第三季度财报显示，公司营收同比增长38.4%，达26.28亿元，但衡量酒店经营健康度的核心指标，均客房收入2025-12-29
12月3日，澎湃新闻记者获悉，多位网友在社交平台上表示，有用户在努比亚M153上使用豆包手机助手操作任务时，操作到微信会导致微信异常退出甚至无法登陆。多位豆包手机的使用者向记者确认了这一消息的真实性。2025-12-29
爱泼斯坦“萝莉岛”豪宅内部曝光：诡异面具、牙医椅子、老式座机
当地时间3日，美国众议院监督委员会的民主党议员公布了多张图片和视频片段，他们称这些图片和视频片段显示的是已故性犯罪者杰弗里·爱泼斯坦拥有的豪宅。这是该豪宅内部景象首次被曝光到公众眼前。▲豪宅中的沙发这2025-12-29
据长安汽车，12月20日，首块L3级自动驾驶专用正式号牌“渝AD0001Z”在重庆诞生，由重庆市公安局交通管理总队正式授予长安汽车，标志着长安汽车率先开启L3级自动驾驶时代。 12月15日，工信2025-12-29
来源丨深蓝财经撰文丨杨波近期，粮油巨头金龙鱼因子公司牵涉一起金额高达50亿元的合同诈骗案备受市场关注。这起案件的一审判决结果若最终生效，可能导致金龙鱼相关主体承担18.81亿元的巨额赔偿，金额相当于其2025-12-29
最新评论