MM-Agent：LLM 用于现实数学建模问题的智能体
人工智能
2025-05-21 v1
摘要
数学建模是科学发现和工程实践的基石，使能够将现实世界的问题翻译为跨领域（如物理、生物、经济学）的形式化系统。与数学推理不同，后者假设已定义的公式，而建模需要开放性的问题分析、抽象和原则化建模。虽然大规模语言模型（LLM）已显示出强大的推理能力，但在严格的模型构建方面仍有不足，限制了其在现实问题解决中的实用性。为此，我们正式化了 LLM 驱动的现实数学建模任务，要求智能体分析问题、构建领域适当的公式并生成完整的端到端解决方案。我们引入了 MM-Bench，即来自数学建模竞赛（MCM/ICM）精选的 111 个问题，涵盖 2000 年至 2025 年，以及物理、生物、经济学等十个领域。为解决此任务，我们提出了 MM-Agent，一个受专家启发的框架，将数学建模分解为四个阶段：开放性问题分析、结构化模型公式、计算问题求解和报告生成。在 MM-Bench 上的实验表明，MM-Agent 在基线智能体上显著超越，实现了对人类专家解决方案的 11.88% improvement，仅需 15 分钟和 0.88 美元即可完成每个任务。此外，在正式的 MCM/ICM 协议下，MM-Agent 辅助的两支本科生团队在 MCM/ICM 2025 中获得了最终ist 奖（在 27,456 支团队中位列前 2.0%），展示了其作为建模助理的实际有效性。我们的代码已公开 https://github.com/usail-hkust/LLM-MM-Agent
引用
@article{arxiv.2505.14148,
title = {MM-Agent: LLM as Agents for Real-world Mathematical Modeling Problem},
author = {Fan Liu and Zherui Yang and Cancheng Liu and Tianrui Song and Xiaofeng Gao and Hao Liu},
journal= {arXiv preprint arXiv:2505.14148},
year = {2025}
}