Actualités
Le corpus TOME-Math améliore le raisonnement mathématique de l'IA de 16.7 points
TOME-Math, un corpus structuré issu de manuels 2,118 , améliore le raisonnement mathématique de l'IA de 16.7 points de pourcentage, dépassant les références publiques.
Article traduit. Lire l'article original.
Un article de recherche révolutionnaire en IA, Scaling Mathematical Proof Supervision from Structured Textbooks, publié le 2026-11-13 , présente TOME-Math (Textbook-Oriented Mathematical Evidence), un corpus à grande échelle conçu pour améliorer le raisonnement mathématique dans les modèles de langage. Développée par les auteurs principaux Youqing Fang, Zhouqi Hua, Yinhao Tang, Yuzhe Gu et Lingkai Kong, l'étude démontre une amélioration significative de 16.7 points de pourcentage des performances du modèle lorsqu'il est ajusté sur cet ensemble de données.
Supervision Mathématique Structurée
TOME-Math transforme des manuels de mathématiques de niveau universitaire 2,118 en environ 380,000 dossiers de supervision des preuves structurés. Contrairement aux ensembles de données traditionnels qui aplatisent les problèmes mathématiques en paires problème-solution isolées, TOME-Math préserve l'organisation curriculaire, y compris l'ordre des chapitres, les liens proposition-preuve, les références de dépendance et la provenance des sources. Cette approche structurée permet un apprentissage curriculaire à travers plusieurs sujets mathématiques et fournit un cadre évolutif pour étudier l'impact de l'organisation des données sur le raisonnement mathématique.
Améliorations des Performances
Ajuster un modèle de langage de base sur TOME-Math a entraîné une augmentation de 16.7 points de pourcentage du score moyen non pondéré sur les évaluations retenues et a établi des normes publiques. Le corpus a surpassé toutes les trois références de données d'instruction publiques testées en agrégat, mettant en avant son efficacité à faire progresser les capacités de raisonnement mathématique de l'IA.
Implications et Recherches Futures
Les auteurs soulignent que les manuels structurés représentent une source évolutive et sous-utilisée de supervision mathématique. En publiant le corpus TOME-Math, l'équipe de recherche vise à faciliter l'exploration approfondie de la supervision mathématique structurée et de ses applications en IA. Ce développement souligne le potentiel d'exploitation des matériaux éducatifs structurés pour améliorer les capacités de raisonnement des grands modèles linguistiques.
Autres articles en français · Comparaisons financières et sources SEC (anglais)