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
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安顺市某某贸易教育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,港中安顺市某某贸易教育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
(责任编辑:焦点)
- 孩子成绩差需要看“学习困难”门诊吗
- 北京首封高考普招录取通知书今日发出,内含芯片独一无二
- 北京共享单车搬运工:凌晨4点上班,拼命8小时,挣扎只为400多元
- 北京地铁将开启“暑运模式” 多条线路双休日缩短运营间隔
- 韩方称朝鲜再次向韩放飞气球
- 北京至孟加拉国首都达卡直飞航线从10日起开通
- 山东舰航母编队现身台岛以东,释放何种信号?
- 最高一天3000元 北京外语导游炙手可热
- 【补给地理】高考地理中的河流补给类型判断、河流补给微专题
- 哥伦比亚1
- 网红“狂飙兄弟”二手车维权“翻车”,起底打假博主的生意经
- 俄称基辅儿童医院遭袭与挪威相关 要求挪威作出解释
- 西安最美秦岭盘山路,一脚油门就到!全长42公里,景美看点多
- 今起,港澳非中国籍永久性居民可申办来往内地通行证
- 速看!北京市第二十中学招聘教师啦
- 公职人员与教师夜摘豆角引纠纷,湖南常宁通报
- 美媒:莫迪访俄,泽连斯基发声称“非常失望”,美国务院表示“关切”
- 公职人员与教师夜摘豆角引纠纷,湖南常宁通报
- 节气里的大美中国:霜降
- 枢密院十号:“美军史上最大规模泄密”,大概率是真的……
- 重回1万元时代?东莞多盘跌穿地价卖房 views+
- 鼻塞、流涕、浑身无力……以为是感冒了,实际可能是得了“空调病”! views+
- 祝贺!曹利国获得男子古典式60公斤级银牌 views+
- 国际女子网球协会官方社媒将封面照换成郑钦文 views+
- 外媒:哈里斯副手人选缩小至最后两人 views+
- 祝贺!国乒女团晋级四强 views+
- 日本股市创有史以来交易时间内最大涨幅 views+
- 邓丽娟获得巴黎奥运会运动攀岩女子速度赛银牌 views+
- 全红婵陈芋汐再度包揽金银,荣耀的背后是汗水与坚持 views+
- “中国武术之乡”走出的摔跤少年 逆风翻盘创历史 views+