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定西市某某制品运营部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,港中定西市某某制品运营部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:知识)
-
台媒:20名国民党、民众党“立委”报名16日登太平岛考察,民进党无人参与
来源:环球网【环球网报道】据中时新闻网等台媒5月6日报道,台立法机构防务外事委员会召委马文君5月16日将带队考察太平岛,国民党、民众党共20位“立委”报名参与,民进党“立委”则无人参加。台立法机构防务 ...[详细] -
《迈克尔·K的生活和时代》海报南非“掌上乾坤”木偶剧团因为2007年和英国国家剧院合作的舞台剧《战马》蜚声国际,获得了托尼奖,也由此被中国观众熟悉。今年上海·静安现代戏剧谷期间,由南非剧作家、导演劳拉 ...[详细]
-
为何一季度净利增速低于营收增速?是否继续推进直销?贵州茅台逐一回应
贵州茅台管理层回应多个业绩问题和渠道发展规划。5月9日,贵州茅台酒股份有限公司贵州茅台,600519.SH)以网络互动形式召开2023年度业绩说明会。对于2024年度经营目标营业总收入同比增长15%目 ...[详细] -
参考消息网5月2日报道据德国《世界报》网站4月29日报道,乌克兰军队在该国东部前线面临严峻形势。乌军总司令亚历山大·瑟尔斯基28日谈到不断恶化的局势。他在脸书网站上写道:“局势正在发生动态变化——在一 ...[详细]
-
21世纪经济报道记者白杨 北京报道刚刚过去的4月份,Faraday FutureFF)创始人贾跃亭在中国社交平台上异常活跃。他先是借抨击小米汽车成功吸引了舆论关注,随后又录制四个视频,回应了网友提到的 ...[详细]
-
已经20天了,从法国回来的小伙胡茏消失在茫茫群山里,至今杳无音讯……图为胡茏离开前拍的照片失踪前,胡妈妈陪着儿子在温州永嘉的一个小山村里散心,“孩子说他很累,要休息了,人就不见了。”出走时,胡茏把手机 ...[详细]
-
亚美尼亚外交部发言人巴达良8日表示,亚美尼亚将不参与集体安全条约组织集安组织)年度预算的批准和拨款工作。 亚美尼亚官员此前曾多次表示已冻结对集安组织的参与。 总台记者 王斌) ...[详细]
-
四年一届的奥运会,不仅是全世界最盛大的体育赛事,同时也刺激着主办城市和国家的经济脉动。其中,酒店客房收入和公寓短租收入,就是“奥运+旅游”的一个风向标。不过,国外媒体公布了巴黎公寓的短租近况,房东们似 ...[详细]
-
5月7日消息,零一万物官宣发布一站式 AI 工作平台 “万知”。它可以做会议纪要、周报、写作助手,还可以解读财报、论文等各类文件,帮你做PPT。中英双语,完全免费,可通过网页www.wanzhi.co ...[详细]
-
新政后北京楼市表现如何?4月30日,北京松绑了住房限购政策,这是13年来首次调整限购。根据新政,已拥有住房达到限购套数的居民家庭,可到五环外新购一套住房。那么,新政后北京楼市表现如何?证券时报记者实地 ...[详细]