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宣城市某某设备售后客服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,港中宣城市某某设备售后客服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:综合)
- 台风“普拉桑”强度缓慢增强 将于19日下午至晚上登陆浙江沿海
- 世卫组织宣布滑石粉“可能致癌”
- 俄罗斯人包围了三亚?
- 一船只在印尼中爪哇省附近海域倾覆,10人失踪
- 轻松一刻:一晃12年了,今天我过生日!
- 外交部:搞“脱钩”“筑墙”只会自缚手脚、自毁前途
- 敦煌研究院校招面试公布:北大考古女孩钟芳蓉位列报名岗位第一
- 斯洛伐克一景区发生山体滑坡 造成2死16伤
- 25基点“巨亏”,50基点“恐慌”!面对市场逼宫,美联储今晚如何降?
- 北约“亚太化”居心叵测,操弄“新冷战”不得人心
- 国家统计局:6月PPI同比下降0.8% 降幅比上月收窄0.6个百分点
- 北京市发布雷电黄色预警
- 北京公布9起旅游市场违法典型案例
- 用煤制油罐车运输的食用油,可能流向了哪里?
- 北京今明天云量增多早晚偏凉 中秋夜或有小雨影响赏月
- 外交部:搞“脱钩”“筑墙”只会自缚手脚、自毁前途
- 重庆万州19条道路出现塌方 受阻道路已抢通3处
- 富二代们的游戏人生
- 明夜起,北京有全市性降雨!
- 无锡一工地大型施工设备倒塌砸中车辆,当地:无人受伤
- 以色列北部遭火箭弹袭击 黎南部遭以军空袭 views+
- 美国务院:美国没有参与黎巴嫩寻呼机爆炸事件 views+
- 台风“接二连三” 九招教你防范应对台风 views+
- 今日辟谣(2024年9月18日) views+
- 墨西哥贩毒集团爆发冲突 已造成32人死亡 views+
- 网传游客掉落手机砸到辛追夫人棺椁,湖南博物院回应 views+
- 沪指跌破2700点 下跌个股超4500只 views+
- 警方:造谣有人被台风吹落高坠8人被罚 views+
- 传递真相!这些铁证揭开侵华日军的滔天罪行 views+
- 轻松一刻:不是我吹,台风来了都得干完活才能走 views+