LLM 数学基准测试集 FrontierMath 公布：号称业界模型均败北

“ThisyearwehaveproudlypresentedtheBridgesideMusicSeriesofnearlyahundredconcertsbytheHaiheRiver（今年我们重磅推出“桥见海河邂逅浪漫”——桥边音乐汇约百场的演出活动）”，9月13日下午，在中国文化旅游产业博览会期间召开的“全球旅行者（天津）大会”上，来自天津外国语大学高级翻译学院的朱华教授用流利的英语进行天津文旅推介，在座的上百位参会者有近半数来自海外。

IT之家 11 月 15 日消息，研究机构 Epoch AI 现公布了一款名为 FrontierM h 的全新 AI 模型数学基准 集，旨在评估系列模型的数学推理能力。

与现有诸如 G -8K、MATH 等 题集不同，FrontierM h 中的数学问题号称特别复杂，收录了现代数学中的数论、代数和几何等领域，这些题目的难度据称极高，甚至人类专家解答往往需要数小时甚至数天的时间。

IT之家获悉，FrontierM h 的题目由人工智能学方面资深专家设计，相应问题号称不仅要求 AI 理解数学概念，还需要具备复杂情境的推理能力，以避免模型利用以前学习过的类似题目进行比对作答。

研究机构表示，他们利用 FrontierM h 对当前市场上的 AI 模型进行初步 ，发现这些模型普遍表现不佳，包括此前在 G -8K、MATH 上取得近乎满分成绩的 Claude 3.5 和 GPT-4 等模型在 FrontierM h 中的解题成功率也均败北（成功率低于 2%）。

研究团队指出，AI 在 高级数学问题时的主要困难在于这些模型通常依赖于训练数据中学过的类似题目来生成 ，而不是对问题本身的逻辑结构进行真正的理解和推理。这意味着目前业界大部分 AI 模型只要遇到没学过的题目，就容易出错，而这一原则性的问题难以实际上无法通过“暴力增加模型规模” ，需要研发人员从模型推理架构层面进行深入改造。