ترجمه فارسی مقاله InfinityMATH: مجموعه داده های تنظیم دستورالعمل مقیاس پذیر در استدلال ریاضی برنامه ای

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی InfinityMATH: A Scalable Instruction Tuning Dataset in Programmatic Mathematical Reasoning
عنوان مقاله به فارسی InfinityMATH: مجموعه داده های تنظیم دستورالعمل مقیاس پذیر در استدلال ریاضی برنامه ای
نویسندگان Bo-Wen Zhang, Yan Yan, Lin Li, Guang Liu
فرمت مقاله انگلیسی PDF
تعداد صفحات 5
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 9 August, 2024; originally announced August 2024. , Comments: Accepted by CIKM 2024 , ACM Class: I.2.7
توضیحات به فارسی ارسال شده در 9 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: پذیرفته شده توسط CIKM 2024 ، کلاس ACM: I.2.7
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Recent advancements in Chain-of-Thoughts (CoT) and Program-of-Thoughts (PoT) methods have greatly enhanced language models' mathematical reasoning capabilities, facilitating their integration into instruction tuning datasets with LLMs. However, existing methods for large-scale dataset creation require substantial seed data and high computational costs for data synthesis, posing significant challenges for scalability. We introduce InfinityMATH, a scalable instruction tuning dataset for programmatic mathematical reasoning. The construction pipeline emphasizes decoupling numbers from mathematical problems to synthesize number-independent programs, enabling efficient and flexible scaling while minimizing dependency on specific numerical values. Fine-tuning experiments with open-source language and code models, such as Llama2 and CodeLlama, demonstrate the practical benefits of InfinityMATH. These fine-tuned models, showed significant relative improvements on both in-domain and out-of-domain benchmarks, ranging from 184.7% to 514.3% on average. Additionally, these models exhibited high robustness on the GSM8K+ and MATH+ benchmarks, which are enhanced version of test sets with simply the number variations. InfinityMATH ensures that models are more versatile and effective across a broader range of mathematical problems. The data is available at https://huggingface.co/datasets/flagopen/InfinityMATH.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر در روشهای زنجیره ای (COT) و روشهای برنامه (POT) دارای قابلیت های استدلال ریاضی مدل های زبان بسیار پیشرفته است و ادغام آنها را در مجموعه داده های تنظیم دستورالعمل با LLM ها تسهیل می کند.با این حال ، روش های موجود برای ایجاد مجموعه داده های در مقیاس بزرگ به داده های بذر قابل توجهی و هزینه های محاسباتی بالا برای سنتز داده ها نیاز دارد و چالش های قابل توجهی برای مقیاس پذیری ایجاد می کند.ما InfinityMath را معرفی می کنیم ، یک مجموعه داده تنظیم دستورالعمل مقیاس پذیر برای استدلال ریاضی برنامه ای.خط لوله ساخت و ساز بر جداسازی اعداد از مشکلات ریاضی برای سنتز برنامه های مستقل از تعداد تأکید می کند ، مقیاس بندی کارآمد و انعطاف پذیر را در عین حال به حداقل رساندن وابستگی به مقادیر عددی خاص امکان پذیر می کند.آزمایش های تنظیم دقیق با مدل های منبع باز و مدلهای کد مانند Llama2 و Codellama ، مزایای عملی InfinityMath را نشان می دهد.این مدل های تنظیم شده خوب ، پیشرفت های نسبی قابل توجهی را در هر دو معیارهای دامنه و خارج از دامنه نشان داد ، از 184.7 ٪ تا 514.3 ٪ به طور متوسط.علاوه بر این ، این مدل ها استحکام بالایی را در معیارهای GSM8K+ و MATH+ نشان می دهند ، که نسخه پیشرفته مجموعه های تست با تغییرات تعداد هستند.InfinityMath تضمین می کند که مدل ها در طیف گسترده تری از مشکلات ریاضی متنوع تر و مؤثر هستند.داده ها در https://huggingface.co/datasets/flagopen/infinitymath در دسترس است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.