Noticias

El Corpus TOME-Math Aumenta el Razonamiento Matemático de IA en 16.7 Puntos

TOME-Math, un corpus estructurado de libros de texto 2,118 , mejora el razonamiento matemático de IA en 16.7 puntos porcentuales, superando las líneas base públicas.

El Corpus TOME-Math Aumenta el Razonamiento Matemático de IA en 16.7 Puntos

Artículo traducido. Consultar el artículo original.

Un artículo de investigación innovador sobre IA, Escalando la Supervisión de Pruebas Matemáticas desde Libros de Texto Estructurados, publicado el 2026-11-13 , presenta TOME-Math (Evidencia Matemática Orientada a Libros de Texto), un corpus a gran escala diseñado para mejorar el razonamiento matemático en modelos de lenguaje. Desarrollado por los autores principales Youqing Fang, Zhouqi Hua, Yinhao Tang, Yuzhe Gu y Lingkai Kong, el estudio demuestra una mejora significativa de 16.7 puntos porcentuales en el rendimiento del modelo al ajustarse finamente a este conjunto de datos.

Supervisión Matemática Estructurada

TOME-Math transforma los libros de texto de matemáticas a nivel universitario 2,118 en aproximadamente 380,000 registros de supervisión de pruebas estructuradas. A diferencia de los conjuntos de datos tradicionales que simplifican los problemas matemáticos en pares de pregunta-respuesta aislados, TOME-Math preserva la organización curricular, incluyendo el orden de los capítulos, los enlaces de proposición-prueba, las referencias de dependencia y la procedencia de las fuentes. Este enfoque estructurado permite el aprendizaje curricular a través de múltiples asignaturas matemáticas y proporciona un marco escalable para estudiar el impacto de la organización de datos en el razonamiento matemático.

Mejoras en el Rendimiento

Ajustar finamente un modelo de lenguaje base en TOME-Math resultó en un aumento de 16.7 puntos porcentuales en la puntuación media no ponderada en evaluaciones reservadas y en las líneas base públicas establecidas. El corpus superó todas las tres líneas base de datos de instrucción pública probadas en conjunto, destacando su efectividad en la mejora de las capacidades de razonamiento matemático de IA.

Implicaciones y Futuras Investigaciones

Los autores enfatizan que los libros de texto estructurados representan una fuente escalable y subutilizada de supervisión matemática. Al liberar el corpus TOME-Math, el equipo de investigación tiene como objetivo facilitar una exploración más profunda de la supervisión matemática estructurada y sus aplicaciones en IA. Este desarrollo subraya el potencial de aprovechar materiales educativos estructurados para mejorar las capacidades de razonamiento de los modelos de lenguaje grandes.

Más artículos en español · Datos e investigación