当前位置:首页 > 热点 > 北大AI奥数评测,o1

北大AI奥数评测,o1

2024-12-03 07:32:45 [综合] 来源:庆阳市某某搬家培训学校

Omni-MATH团队 投稿
量子位 | 公众号 QbitAI

OpenAI的o1o1系列一发布,传统数学评测基准都显得不够用了。奥数

MATH-500,评测常德市某某餐饮管理客服中心满血版o1模型直接拿下94.8分。o1

更难的奥数奥数邀请赛AIME 2024,o1也获得83.3%的评测准确率。

随着现有的o1数学评测集逐渐被攻克,大家不禁开始好奇:大模型能否胜任更具挑战性的奥数数学竞赛,甚至是评测奥林匹克数学竞赛?

为此,北京大学与阿里巴巴的o1研究团队联合打造了一个专门用于数学竞赛的奥林匹克评测基准——Omni-MATH

Omni-MATH专门用于评估大型语言模型在奥林匹克水平的奥数数学推理能力。评测集共收录了 4428 道竞赛级别的评测问题。这些问题经过精心分类,o1涵盖了 33 个(及更多)子领域,奥数并且分为 10 个不同的评测常德市某某餐饮管理客服中心难度级别,使得我们能够对模型在各种数学学科和复杂程度上的表现进行细致分析。



最新排行榜,竞争非常激烈:

除去o1满血版暂时还没有放出API,作为小模型的o1-mini的表现最好,平均分比o1-preview还要高8%左右

开源模型最好的是Qwen2-MATH-72b,甚至超过了GPT-4o的表现。



总的来说,o1-mini这种只关注少部分能力、放弃存储广泛世界知识路线的优势,再次得到验证。

Omni-MATH:难度大、领域广

Omni-MATH作为一个数学奥林匹克评测基准,它的特点有三个维度:

人工验证答案的可靠性:4428道评测问题来自不同的数学竞赛和论坛数据,人工参与验证答案准确性;并且考虑到奥赛难度问题答案的多样性提供了基于GPT4o和评测模型的评价方式,方便一键启动评测。

清晰合理的难度分类:评测集整体比较有挑战性,并且难度跨越非常大。从奥林匹克预备级别(T4)竞赛CEMC到最顶级的奥林匹克数学竞赛(T0)如IMO、IMC、普特南等等。这些比赛不仅需要选手具备扎实的数学基础,还需要超高的逻辑推理能力和创造力。数据显示,只有极少数智商接近顶尖的人才能在这些比赛中取得优异成绩。

题目类型非常广:共有多于33个子领域的数学问题。根据数学领域的特性,团队打造了树状的领域分类,每个题目涉及一到多个领域,也就是多条树的路径,使得我们能够对模型在各种数学学科和困难程度上的表现进行细致的分析。”



评测集Omni-MATH的构造

数据构造

研究团队首先对国内国外基本的奥林匹克数学竞赛进行了细致的调研。从中了解到,一个学生从竞赛预备到顶级竞赛,中间要经过层层选拔的。

比如对于英国体系,要经过JMC → IMC → SMC → BMO 1 → BMO 2 → IMO整个一层链路的选拔(这个IMC(Intermediate Mathematical Challenge)和上述IMC(international mathematical competition for university students)并不是一个比赛);

然而在美国体系中,要经过AMC 8 → AMC 10 → AMC 12 → AIME→ USA(J)MO → IMO整个一层体系的选拔。

这启发了团队能否给模型评测同样也设置一个这种难度层级的体现。因此研究团队调研了世界范围内不同难度层级的比赛,使得Omni-MATH在奥林匹克级别的数学测试中,难度上仍然多元化。

另外在奥林匹克级别的数学测试中,实际上涉及的数学领域是非常多的。研究团队考虑到在模型训练时,不同领域之间的数据是否有会有化学反应,比如领域A的数据能否让模型泛化到领域B的提升,这种方向的数据工程是非常有意义的。

为了给这个方向的研究打下基础,研究人员参考了相关竞赛教辅书,在这个评测集中给数据的领域进行了非常细致的划分,从数学大类上比如数论、代数、几何等等开始,一直到领域下面具体的小领域或者知识点。

评测集数据的来源主要有两个,一个是各种比赛的题目和题解,另外一个是著名数学网站Art of Problem Solving。对于想要的比赛,优先从题解中寻找答案。

如果想要的比赛并未公开题解,团队从AoPS网站的论坛上爬取回复。考虑到回复都是真实用户书写,有一定概率是有问题的,需要进行严格的筛选。

研究团队选取了AoPS网站上候选的并且答案规整的数目大于3的题目,并且选取了3个答案全部一致的题目作为最终标准。团队在筛选问题时采用人工筛选,进一步保证了准确性。

数据处理

数据本身的处理:

在爬取到PDF格式的题解后,开发者们使用了Mathpix将其转换成Latex格式作为题解。在爬取到论坛答案之后,首先用GPT-4o重新format成规整的回复,之后手动检查是否和原本问题的答案一致。

对于这两类来源的数据,团队人员最后都是用了人工检查是否和数据源的信息是一致的。

难度分类:

参考了AoPS网站中关于题目难度分类的情况。

具体而言,不同级别的比赛题目难度有着本质的不同,比如CEMC和IMO之间的题目相差非常大,然而,每个比赛的不同题目也有着不同,比如一次IMO比赛中既有简单题也有难题。因此评测集的难度分类严格按照AoPS网站上给出的不同比赛的每一道题的难度系数(从1到10之间,大多是整数,少数有.5、.25这种难度)。

对于网站上未覆盖的内容,团队人员将网页上的内容整理成了few-shot prompt,并使用了GPT4o给题目难度进行了标注。整体难度的分布和不同比赛题目的分布如下:





领域分类:

和传统的数学测试基准的分类不同,在奥数这个难度上的题目涉及的领域更多,知识面更广。

为了更好地组织统一起奥数这些题目以及后续的对于数学领域之间数据的关系的探究,团队构建了一个更为全面的树状分类体系。研究团队参考了相关竞赛教辅书,将奥数相关的领域分为了几何、代数、数论、应用数学等等领域,之后从这些领域出发,继续细分成各个领域的小领域,细微的知识点。

这种树状分类体系更有助于帮助理解不同题目之间的关系,以及模型在不同领域上的表现。团队将这一树状分类体系作为模板,并结合竞赛辅导书中的实例,构建了few-shot的提示(具体的树状结构和提示内容可参考文章末尾的代码仓库)。

随后,团队利用GPT-4o给每道题目分类到一到多个类别当中。

开源的答案验证器

Omni-Judge是微调Llama3-Instruct得到的验证器,用于验证待测的答案和给定的答案是否一致。由于数学奥赛级别的题目回答的种类非常丰富,用规则评测实际上非常困难。在获得模型的预测之后,需要判断模型的输出是否和标准答案是一致的。在使用GPT-4o评测之外,我们还提供了一种更简便的评测方法,利用了GPT4o评测模型时产生的COT数据微调Llama3-Instruct得到了一个开源的验证器,评测一致率和GPT-4o高达95%。

Project Page:https://omni-math.github.io/
Github:https://github.com/KbsdJames/Omni-MATH/
Dataset:https://huggingface.co/datasets/KbsdJames/Omni-MATH/
Omni-Judge:https://huggingface.co/KbsdJames/Omni-Judge/

(责任编辑:娱乐)

推荐文章
  • 伊朗强烈谴责恐怖分子袭击伊朗驻叙利亚阿勒颇总领馆

    伊朗强烈谴责恐怖分子袭击伊朗驻叙利亚阿勒颇总领馆   当地时间30日,有消息称恐怖组织已经攻入了伊朗驻阿勒颇总领馆。伊朗外交部发言人巴加埃强烈谴责恐怖分子袭击伊朗驻叙利亚阿勒颇总领馆的事件。他强调,伊朗将在法律和国际层面严肃追究这一侵略行为。  巴加 ...[详细]
  • 涉美诚月饼有关情况,广州花都区最新通报!

    涉美诚月饼有关情况,广州花都区最新通报!   来源:南方+  9月18日,广州市花都区市场监督管理局发布关于涉美诚月饼的情况通报,具体如下:  近日,部分媒体发布转发“‘三只羊’直播间销售的‘香港美诚月饼’未在香港生产及销售,引发消费者不满” ...[详细]
  • 男子持刀伤害未成年人,深圳警方通报

    男子持刀伤害未成年人,深圳警方通报   深圳市公安局南山分局9月18日通报,当日8时许,南山区招商街道辖内发生一起持刀伤害路人警情,致未成年人沈某受伤。接报警后,该局迅速组织力量到场处置,现场抓获嫌疑人钟某男,44岁),并第一时间协助1 ...[详细]
  • 新闻1+1丨九月以来,秋台风为何如此频繁?

    新闻1+1丨九月以来,秋台风为何如此频繁?   9月16日,台风“贝碧嘉”在上海浦东临港新城沿海登陆,这是1949年以来登陆上海的最强台风,也是上海首次与强台风正面交手。除了上海,浙江、江苏也在此次台风影响范围内。海南、广东刚刚应对完“摩羯”, ...[详细]
  • 山西运城:天鹅湿地越冬

    山西运城:天鹅湿地越冬 来源:人民网-图片频道2024年11月17日,山西省运城市盐湖湿地,白天鹅在此栖息越冬,成为一道独特风景线。薛俊摄人民图片网) ...[详细]
  • 警方:造谣有人被台风吹落高坠8人被罚

    警方:造谣有人被台风吹落高坠8人被罚   台风“贝碧嘉”影响上海期间,网上出现“上海有人员因台风被吹落高坠”的谣言。记者9月17日晚从上海警方获悉,经警方调查,8名编造传播谣言的违法人员被依法处罚。  9月16日,警方在网上巡查时发现,有 ...[详细]
  • 女孩高考385分,毕业后却成香饽饽,专科吃香的十大专业有哪些?

    女孩高考385分,毕业后却成香饽饽,专科吃香的十大专业有哪些? 一个女孩,高考成绩是385分,在全国各省市也是只够上专科的分数,哪里想得到她专科毕业后,赢了很多硕士生、博士生,被三家跨国公司争抢。这个女孩叫曹晓洁。曹晓洁是个四川妹,生在四川泸州一个贫困山村。她家里 ...[详细]
  • 台风“贝碧嘉”进入南京 所有高速入口关闭

    台风“贝碧嘉”进入南京 所有高速入口关闭   据中央气象台16日22时消息,台风“贝碧嘉”已经进入南京市内,目前维持强热带风暴级,最大风力10级,28米/秒。高速交警16日21时30分已临时关闭南京管区内所有高速公路入口。  从气象部门公布的 ...[详细]
  • 扩大免签成中国不断扩大开放“政策名片”

    扩大免签成中国不断扩大开放“政策名片” 本文转自:人民日报海外版目前,中国同157个国家和地区缔结涵盖不同护照种类的互免签证协定——扩大免签成中国不断扩大开放“政策名片”《人民日报海外版》2024年11月28日第 01 版)  日前,中国宣 ...[详细]
  • 打虎!杜玉波被查

    打虎!杜玉波被查   据中央纪委国家监委网站18日消息,教育部原党组副书记、副部长杜玉波涉嫌严重违纪违法,目前正接受中央纪委国家监委纪律审查和监察调查。杜玉波 资料图  公开资料显示,杜玉波出生于1955年9月生,河北 ...[详细]