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乌海市某某电子商务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，港中乌海市某某电子商务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
万科债券展期风波持续发酵。万科将在12月10日召开债权人会议，对一笔20亿元中期票据“22万科MTN004”的展期相关事项进行审议。目前初步方案浮出水面，但并未缓解外界对其债务问题的担忧，12月2日，2025-12-11
睡眠失常尽管古已有之，然而成为普遍问题，成为“流行病”，却只是近代的事。特别是最近几十年，社会的快速发展，生活节奏的加速，压力的骤增，催发了睡眠障碍人数的倍增。加速肿瘤高发率同时，失眠也成了癌症高发的2025-12-11
澎湃新闻记者 唐莹莹 10月3日，国庆假期第三天，往年节中的出游低谷今年却不“低”：第一批出去玩的人已经回来了，错峰出游的人刚买了便宜票出发。 10月3日，澎湃新闻从岭南集团旗下广之旅了解到，2025-12-11
以色列当地时间10月2日对大马士革马泽西别墅区一处住宅发动空袭，造成两名黎巴嫩国民身亡，其中包括已故真主党领导人哈桑·纳斯鲁拉的女婿哈桑·贾法尔·卡西尔。以色列袭击了真主党和伊朗革命卫队领导人经常2025-12-11
12月9日消息，苹果公司芯片业务负责人约翰尼·斯鲁吉Johny Srouji）在给部门员工的备忘录中回应近期离职传闻，“我热爱我的团队，热爱在苹果公司的工作，我近期没有离开的打算”。2025-12-11
为啥有些老年人过了70岁，没几年就去世了?老实说：多半是3个原因
王大伯年轻的时候就有和儿子一起运动锻炼的习惯，一直到现在王大伯已经七十多岁了，两人依然每天会相约一起锻炼。王大伯的身体比同龄人健康多了，虽然已经七十多岁了，但没有慢性病的困扰，就是头发有点发白了。不过2025-12-11
最新评论