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台州市某某矿山设备有限公司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,港中台州市某某矿山设备有限公司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)
-
上一篇
-
下一篇
- 最近发表
- 随机阅读
-
- 五星级酒店大厨上门做饭,69元4道菜起步,点单的不少,年轻人居多
- 南部战区海军万吨新舰的首次任务去了南海
- 秘鲁库斯科大区发生4.7级地震
- 玻利维亚发生5.6级地震,震源深度160千米
- 新闻8点见丨北京公交车道又有变化;打人女司机有哪些责要追?
- 格力维权大棒砸向小米 一场局部战役的启示
- 疑似遭无人机入侵 以色列北部多处响起防空警报
- 腾讯调整发薪政策:将年终服务奖和“易居计划”补贴分摊随工资发放
- 河北男孩骑行被碾压案司机妻子发声
- 华为“三界”齐发业绩公告,问界已经开始赚钱了
- 丑闻频发 波音订单暴跌95%
- 晚点独家丨地平线重组智驾算法团队,加大投入高阶
- 检方提交新诉状 特朗普对指控不认罪
- 合创汽车消亡史
- OpenAI CEO奥特曼成立新公司:推“AI健康教练”,减少慢性病发病率
- 反垄断审查愈演愈烈,微软、苹果放弃OpenAI董事会席位
- 开学警惕传染病 多病共防健康提示请收好
- 蔡崇信到手50亿元后,将带领阿里走向何方?
- 今年上半年我国新注册无人机超 60 万架,较去年年底增长 48%
- 早资道|抖音宣布推出抖音VR直播;如祺出行搭载 Robotaxi 概念登陆港交所
- 搜索
-