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
相关文章
11月18日，市民在石家庄市长安公园银杏林游玩。初冬时节石家庄市各大公园、广场内银杏树逐渐转黄漫步银杏树下宛如走进油画世界11月18日，市民在石家庄市长安公园银杏林打卡拍照。11月18日，市民在石家庄2025-12-03
学生上台指责学校“有钱建草堂没钱修宿舍”，云南富宁已成立调查组
现代快报讯记者 陈云龙）11月15日，一段视频引起网络热议。视频中，在云南省富宁县第一中学文体艺术节开幕式上，一名学生走上讲台拿起话筒说：“有钱建安娜草堂，没钱修学生宿舍。”随后被校方工作人员制止并带2025-12-03
2024年11月13日晚上9时29分，西南大学地理科学学院副教授闫罗彬在河北邢台老家去世，享年37岁。闫罗彬是丹霞地貌研究领域有一定成就的专家型青年学者，工作非常努力，开设的课程也非常受学生欢迎。今年2025-12-03
原标题：金正恩指导朝鲜无人攻击机性能试验） 金正恩指导朝鲜无人攻击机性能试验，图为金正恩 资料图据朝中社消息，当地时间14日，朝鲜劳动党总书记、国务委员长金正恩现2025-12-03
11月27日，扬州文旅招商推介会暨冬季文旅消费推广季活动在北京举办。北京青年报记者获悉，2025年12月至2026年2月，扬州将打造200余场特色活动，并联合携程、同程、美团大众点评）向游客发放总计12025-12-03
2021年，广西藤县籍男子黄某网购了与陈陈化名）结婚的假结婚证，然后将陈陈带至尼日利亚。陈陈在尼日利亚发现，黄某在广东有妻儿，还有一个在香港登记结婚的“妻子”。近日，陈陈告诉南国早报全媒体记者，黄某先2025-12-03
最新评论