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上饶市某某电子科技制造厂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,港中上饶市某某电子科技制造厂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:休闲)
- OpenAI 今年启动 GPT Next 计划,AI 性能百倍级跃升
- 雨水多湿气重 如何预防外湿侵袭?
- 这份儿童青少年暑期近视防控指南请查收
- “特朗普行情”搅动全球资本市场
- “女儿失踪第178天妈妈退出幼儿园群”上热搜,当地:专案组仍在侦破案情
- 马斯克:“星舰”将在4周内再次试飞
- 今日辟谣(2024年7月15日)
- 宝宝招蚊子,儿科专家:这些小药得备着
- 视频!菲律宾9701号船故意冲撞中国海警5205舰
- 汉莎航空一客机在印度新德里机场着陆时起火 无人员伤亡报告
- 北京下调个人住房公积金贷款利率,可少还多少房贷?一图读懂
- 国家统计局:近期房地产市场活跃度有所提升
- 【透视】新调查:多数美国人视通胀和无家可归成最严重问题
- 港中大利用肠道微生物开发精准工具诊断自闭症
- 媒体:路虎司机打人事件,需要一场“教科书式”普法
- 热射病与一般中暑的区别在哪?专家解答
- 马来西亚机场化学品泄漏事件已致39人身体不适
- 国家统计局:近期房地产市场活跃度有所提升
- 全面治理网络乱象!网安部门指导互联网平台自律自治
- 血友病也会后天得,规范治疗是关键!
- 多管齐下让人工智能更节能 views+
- 电动自行车用锂电池新国标即将实施 views+
- 世界免疫周 views+
- 普京今日开启“5.0时代” 俄罗斯未来六年该如何走? views+
- 除了火爆的小红小绿,2024北京车展还有什么? views+
- 消费体验升级 点燃“假日经济”新动能 views+
- 万亿城市大“变阵”,谁是格局挑战者? views+
- 园中之艺 views+
- 能工巧匠“亮绝活” 用“一技之长”书写追梦人生 views+
- 科普中国智库专题活动|“科普与发展新质生产力”专家研讨会在京举办 views+