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锦州市某某车业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，港中锦州市某某车业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
相关文章
怼同行顺便怼老板？理想高管批理想ONE质保策略，一众车企躺枪
最近几年时间里，国内新能源汽车呈现了非常快速的发展节奏，新能源汽车市场已然成为了竞争异常激烈的红海市场，很多车企都相信自己能够在群狼环伺的大环境下胜出，让其他车企成为背景板。所以为了能够“出头”，为了2025-12-09
撰文 / 涂彦平编辑 / 黄大路设计 / 师 超2016年7月的一天，Mobileye创始人Shashua宣布：“EyeQ3芯片将会是Mobileye和特斯拉公司的最后一次合作。”随后，特斯拉CEO马2025-12-09
有没有想过，原本与帅气为伍的单品，也可以浪漫，性感，温柔？2024秋冬秀场，GUCCI用西装式裁剪洗练的长大衣，搭配薄如蝉翼的蕾丝吊带长裙，帅气的大衣变得酥软诱人。PRADA则用解构主义的设计方式，为2025-12-09
#秋日生活打卡季#我要疯了！！这个国庆怎么能冷成这样！我今早真的是被冻醒的...其实，也没有那么夸张啦，只是突然一下入秋还是有点子不习惯呀~尤其接下来的天气会很迷惑，时冷时热，早晚温差大，这种天气，往2025-12-09
总台记者获悉，当地时间12月5日，阿富汗和巴基斯坦军队在两国边境发生冲突。 消息人士称，阿富汗和巴基斯坦军队在阿富汗南部坎大哈省斯平布尔达克边境口岸附近发生冲突，双方使用了轻型和重型武器。 目2025-12-09
10月5日，霍少带着老婆郭晶晶现身香港油麻地社区做公益活动。此次活动主题是建国75周年，体育界和艺术界一起合作，举办一个户外的公益壁画展。现身的郭晶晶带领着运动员一起做慈善公益，和运动员还有年轻艺术家2025-12-09
最新评论