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吉林市某某工业设备有限公司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，港中吉林市某某工业设备有限公司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
来源：中国新闻周刊 作为叶菜里最常见、最受欢迎的蔬菜之一，生菜是许多消费者多次回购的产品，但最近有不少网友调侃，自己马上要吃不起生菜了。各大商超平台的罗马生菜已经卖到八九元一斤，球生菜、有机生菜2026-01-04
重庆初三女生，以满分拿下丘成桐女子中学数学竞赛金奖，保送清华
自2021年起，国际数学家丘成桐就创办了首届女子中学生数学竞赛，意在鼓励世界各地有数学天赋的女学生从事数学研究工作。今年已经举办了四届，每一届金银铜奖获得者，都有机会免试保送到清华大学丘成桐实验班学习2026-01-04
截至10月28日10时，16座万亿城市发布前三季度经济运行情况，11座城市GDP增速超过全国水平。其中，南通以6.3%的GDP增速暂时领跑其他城市；广州GDP增长最慢，前三季度增速为2.0%。2026-01-04
今天28日），神舟十九号载人飞船发射任务组织全区合练。目前，发射任务各系统已经完成了相关功能检查，并做好发射前的各项准备工作。 早上8时30分许，在北京航天飞行控制中心的统一调度下，酒泉卫星发射2026-01-04
1月1日起，2026年消费品以旧换新补贴正式落地，国补政策迅速点燃了消费者的换新热情。其中，北京地区国补消费异常火爆。据悉，1月1日零点国补在京东上线后，北京国补资格当即秒空，一时出现了僧多粥少的2026-01-04
记者从相关部门了解到，10月26日上午，在福建省漳州市高新区南凌大道，一辆货车与一部电动自行车发生碰撞，造成电动自行车上3名驾乘人员死亡。 总台记者 吴燕敏）2026-01-04
最新评论