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曲靖市某某美容美发设备制造厂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,港中曲靖市某某美容美发设备制造厂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。 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]。 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
图 | 论文作者黄旭函(来源:黄旭函)
图 | 相关论文(来源:arXiv)
- 最近发表
- 随机阅读
-
- 俄外交部:乌军以武力胁迫方式关押俄库尔斯克州居民
- 北京世园公园24000株牡丹竞相绽放
- 股价跌近5%!外媒称美国正调查特斯拉自动驾驶是否存在误导行为
- “卷王”打工人如何破局?请看《一仆二主》 现代版
- 痛失大客户?上海源烨订单暂缓,占中来股份去年营收超三成
- 股价跌近5%!外媒称美国正调查特斯拉自动驾驶是否存在误导行为
- 15万人迎接巴黎奥运会火种抵法,奥运火炬开启法国境内传递
- 北京推动95%景区取消预约 热门景区何去何从
- 公安机关严查小作文编造者!三名造谣者被罚
- 北京:七大火车站加强返程服务 多条地铁延时运营
- 美媒:台湾试图打造自己的“星链”
- 楼市转机!北京楼市新政后,房东心态回归,二手房挂牌下降7000套
- 2024“湾区升明月”晚会,当成龙王力宏一出场,中国式浪漫破防了
- 违反土地管理法,北京十里河投资管理集团有限公司被罚款85万余元
- 俄防长:俄正在南千岛群岛建立观察哨所
- 静安戏剧谷|人偶同台,南非木偶剧团演绎库切小说
- 89分钟绝杀!米兰2
- 15万人迎接巴黎奥运会火种抵法,奥运火炬开启法国境内传递
- 美方涉俄新制裁对象包括多家中国实体,中国驻美使馆发言人:坚决反对
- “五一”假期北京重点商圈“吸金”逼近百亿
- 搜索
-