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
我要评论近日，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无锡市某某金属材料专卖店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，港中无锡市某某金属材料专卖店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
相关文章
总台记者当地时间19日获悉，联合国驻黎巴嫩临时部队联黎部队）当天在黎巴嫩东南部布利达、黎以临时边界“蓝线”附近举行仪式，将一片已清除雷区的土地移交给黎巴嫩武装部队。 这是自去年黎以停火协议生效以2025-12-21
来源：环球网【环球网报道】据美国哥伦比亚广播公司CBS）11月16日报道，美国密歇根州大学生维德海·雷迪在与谷歌AI聊天机器人“Gemini”对话时收到了令人震惊的威胁信息，称“人类，请去死吧，求求你2025-12-21
11月20日上午，辽宁省盘锦市双台子区林丰路大桥多车相撞。 记者从盘锦市交通警察支队双台子大队获悉，20日上午林丰路大桥确有交通事故发生，目前该路段因大雾封闭，还不能通车。当地两家医院工作人员表2025-12-21
如何平衡性价比和高端化之间的矛盾，一直是雷军和小米需要解决的问题。文｜《中国企业家》记者 赵东山编辑｜姚赟头图摄影｜赵东山“高端是小米的必由之路，更是生死之战！”2023年8月，北京国家会议中心，小米2025-12-21
【环球网报道】俄罗斯总统普京于12月19日举行年度记者会。综合塔斯社等媒体报道，记者会刚开始，普京就俄乌冲突作出最新表态。 塔斯社称，普京表示，俄方已准备好基于他2024年6月在俄外交部讲话时提2025-12-21
【导读】中信保诚人寿原党委书记赵小凡、工银安盛人寿副总裁陶仲伟被查中国基金报记者 晨曦金融反腐的风吹到保险圈，两名保险干部同日被查！11月15日，中央纪委国家监委官网通报，中信保诚人寿保险有限公司原党2025-12-21
最新评论