本文是LLM系列文章,针对《FineMath: A Fine-Grained Mathematical Evaluation Benchmark for
Chinese Large Language Models》的翻译。
摘要
为了全面评估大型语言模型(LLM)的数学推理能力,我们需要仔细策划涵盖不同数学概念和不同难度的数学问题的评估数据集。为了实现这一目标,我们在本文中提出了FineMath,这是一个用于评估中文LLM的细粒度数学评估基准数据集。FineMath旨在涵盖小学数学中教授的主要关键数学概念,这些概念又分为17类数学单词问题,从而能够深入分析LLM的数学推理能力。根据解决这些问题所需的推理步骤的数量,手动注释所有17类数学单词问题的难度等级。我们在FineMath上对各种LLM进行了广泛的实验,发现中文LLM的数学推理能力仍有相当大的改进空间。我们还对之前被忽视的评估过程和方法进行了深入分析。这两个因素显著影响模型结果以及我们对其数学推理能力的理解。该数据集将很快公开。