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新余市某某商业展览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,港中新余市某某商业展览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
-
- 基于国内车型打造 凯翼3款国际版车型首发亮相
- 4个小学生没举手敬礼,让很多人暴露了,事实证明少先队教育不足
- 普京、梅洛尼均希望中国调停俄乌冲突,外交部回应
- 大连航空一航班因故障返航 飞机安全落地
- 拿下管理权又遇新麻烦,宗馥莉的挑战不止内部矛盾
- 航母撤离!美国五角大楼发声
- 中美两军举行战区领导通话
- 加拿大警方在意大利追回被盗的丘吉尔知名肖像照
- 上汽高层吐槽小米汽车抄保时捷 各方网友们吵起来了
- 青浦打卡看什么?林更新带你畅游"古镇版"新天地
- 洪涝灾害后,这样做好家庭清洁与消毒
- 青浦打卡看什么?林更新带你畅游"古镇版"新天地
- P1+P4架构/豪华插混 沃尔沃家族亮相成都车展
- 合肥一家长疑似设局,举报中学老师收家长贵重礼物,官方介入调查
- 佩戴的银饰变黑,说明身体在排毒?
- 航母撤离!美国五角大楼发声
- “我真的想死在学校里”,山东一女生无处喊冤,副区长紧急出马
- 中国海警首次带直升机随舰执行公海飞行执法任务
- 青浦打卡看什么?林更新带你畅游"古镇版"新天地
- 朱雨玲,欢迎回来
- 搜索
-