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，来自香港中文大学（深圳）的一支科研团队通过求解器的引入，把大模型回答的数学模型交给求解器解决，进而通过比对求解器的答案，得以成功判断数学模型的正确性。

这相当于为参加考试的考生准备了高级计算器，只需输入方程就能得出准确答案。这样一来，就可以判断学生所写的方程是否正确。

基于这个理念，该团队构建了一款名为 Mamo 的评测集，能够结合不同的求解器评测大模型相应的建模能力。

未来，这一评测集可能会成为数学大模型检验的重要基准，从而能够用于测试新训练大模型的建模能力。

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