Página principal Últimas noticias y reportajes

Noticias

El corpus TOME-Math mejora en un 16,7 % el razonamiento matemático de las IA

TOME-Math, un corpus estructurado compuesto por 2.118 libros de texto, mejora en un 16,7 % el razonamiento matemático de las IA, superando los estándares públicos.

TOME-Math Corpus Boosts AI Mathematical Reasoning by 16.7 Points

En este artículo

Un artículo de investigación pionera en IA, publicado el 13 de noviembre de 2026, presenta a TOME-Math (Textbook-Oriented Mathematical Evidence), un corpus a gran escala diseñado para mejorar el razonamiento matemático en los modelos lingüísticos. Desarrollado por los autores principales Youqing Fang, Zhouqi Hua, Yinhao Tang, Yuzhe Gu y Lingkai Kong, el estudio demuestra una mejora significativa del rendimiento de los modelos de un 16,7 % cuando se los ajusta (fine-tunes) utilizando este conjunto de datos.

Supervisión matemática estructurada

TOME-Math convierte 2.118 libros de texto de matemáticas de nivel universitario en aproximadamente 380.000 registros de supervisión de pruebas matemáticas estructuradas. A diferencia de los conjuntos de datos tradicionales, que simplifican los problemas matemáticos en pares de problema-resolución aislados, TOME-Math mantiene la organización curricular original, incluyendo el orden de los capítulos, las relaciones entre proposiciones y pruebas, las referencias de dependencia y la procedencia de las fuentes.Este enfoque estructurado permite el aprendizaje del currículo a través de múltiples asignaturas matemáticas y proporciona un marco escalable para estudiar el impacto de la organización de los datos en el razonamiento matemático.

Mejoras en el rendimiento: El ajuste fino de un modelo de lenguaje base en TOME-Math resultó en un aumento del 16,7 por ciento en la puntuación media no ponderada en las evaluaciones realizadas y en los puntos de referencia públicos establecidos. El corpus superó en rendimiento a los tres puntos de referencia de datos de instrucción pública probados en su conjunto, destacando su eficacia para avanzar las capacidades de razonamiento matemático de la IA.

Implicaciones e investigación futura: Los autores enfatizan que los libros de texto estructurados representan una fuente de supervisión matemática escalable y subutilizada. Al publicar el corpus TOME-Math, el equipo de investigación pretende facilitar la exploración adicional de la supervisión matemática estructurada y sus aplicaciones en la IA. Este avance subraya el potencial de utilizar materiales educativos estructurados para mejorar las capacidades de razonamiento de los grandes modelos de lenguaje.

  • Investigación en IA
  • Razonamiento matemático
  • TOME-Math
  • Modelos de lenguaje
Inicie sesión para guardar este artículo. Cuenta gratuita: cree su colección de investigación y vuelva a leerla en cualquier momento.