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葫芦岛市某某网络工程销售部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，港中葫芦岛市某某网络工程销售部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
“劳逸结合”“坐久了站一会儿动一动”的道理大家都懂。在我们每天的24小时中，坐、站、睡、动这些日常行为的时间分配，其实对我们的健康有很大影响。然而，一天中的时间是固定的，增加或减少某项活动的时间意味着2024-09-17
△俄罗斯外交部发言人扎哈罗娃资料图） 当地时间6月19日，俄罗斯外交部发言人扎哈罗娃表示，俄罗斯要求美国从欧洲撤出全部核武器并销毁部署这些核武器的基础设施。 扎哈罗娃表示，美国将资金分配给北约用于2024-09-17
面对赛会3号种子，世界排名第5位的俄罗斯名将梅德维德夫，中国选手张之臻再度创造了惊喜。经过三盘激战，张之臻最终以6比3、2-6、7比65）的比分惊险获胜，成功挺进ATP500哈雷公开赛的八强。这是张之2024-09-17
索斯盖特一脸无奈。看英格兰队踢欧洲杯小组赛，大概率是花钱熬夜找罪受。继首战如履薄冰地一球小胜后，了无生气的三狮军，继续以病猫姿态在德国前行。面对阵容严重老化、战力每况愈下的丹麦，手握先下一城开局的三狮2024-09-17- 很多人在参加工作后，生活节奏和方式发生了改变，日常点外卖、中午将就吃、晚上大吃、久坐不运动，再加上工作压力……逐渐导致了过劳肥。确实，如今很多人“越忙越肥”，要跳出压力导致肥胖的怪圈，就要从根本解决问2024-09-17
从经典红歌《映山红》，到春节档电影的热门OST《小美满》；从百折不挠的《敢问路在何方》，到充满情感张力的《诀爱》……日前，《2024影视音乐盛典》在上海举行，老中青三代实力音乐人齐聚一堂。活动梳理了中2024-09-17
最新评论