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黄冈市某某装饰设计有限责任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，港中黄冈市某某装饰设计有限责任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。
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
近日，2025年全国青少年信息学奥林匹克联赛NOIP）成绩揭晓，我校学子再创佳绩：6人斩获全国一等奖！高三年级2人）高三7）班张保霖、李竹指导老师：董登丰高二年级1人）高二9）班李唯一指导老师：董登丰2025-12-23
特朗普曾称其若当选有可能会公开爱泼斯坦的“萝莉岛客户名单”。速览- 截至目前，没有任何公开证据表明特朗普已经公布“萝莉岛名单”，亦没有证据表明爱泼斯坦生前确实曾列举过一份经过证实的“客户名单”。现有的2025-12-23
当地时间17日，黎巴嫩真主党确认其媒体部门负责人穆罕默德·阿菲夫死亡。 据黎巴嫩新电视台报道，以色列17日空袭黎巴嫩首都贝鲁特市中心目标，造成包括黎巴嫩真主党媒体负责人穆罕默德·阿菲夫在内的4人2025-12-23
当地时间今天11月17日），澳大利亚国防部长理查德•马尔斯宣布，日本将开始在澳大利亚定期部署两栖快速部署旅。2025-12-23
2025年世界羽联年终总决赛今日进入第5个比赛日，5个单项将决出年终冠军，中国队在混双、女单、男单、男双4项中闯入决赛，力拼4金。 🏸 今日焦点战 混双 冯彦哲/黄东萍 VS 蒋振邦/魏雅2025-12-23
各位秋裤，我不再讨厌星期一了，我已经成熟了 我讨厌一整个星期，除了周六！秋子倒没啥感觉，就是越到冬天手越冷，好想把手伸进你们的钱包里啊不是希望大家都像她一样生意兴隆，财源滚滚。11月16日，安徽淮南。2025-12-23
最新评论