基于Math-GLM大模型的智能建模分析构建.pdfVIP

电子元器件

写信息技术dianziyuanqjianyuxinxjshu

基于Math-GLM大模型的智能建模分析构建

董伟廷，孙宝，张浩浩，荣国伟，张钰

太原科技大学，山西太原，030024

摘要：建模分析在科学研究中至关重要，随着大数据和复杂系统的应用，其成为数学建模的核心基础，

研究人员应重视提高建模分析能力。但建模知识点庞大零碎，学生存在不同类型的学习弱项。模型的智能化问

答系统具有潜力，能契合用户思维习惯提供个性化解答和指导，提升学习效率和效果。文章提出基于Math一

GLM大模型的建模分析训练平台，整合先进算法设计数学建模问题库用于训练，其架构能营造智能化、互动性

强的学习环境，旨在提高用户学习能力和知识掌握效率，让用户掌握建模分析精髓，并利用Math-GLM大模型

功能提供实时指导和反馈，提升建模分析技能。

关键词：Math-GLM大模型；人工智能：建模分析

DOl:10.19772/j.cnki.2096-4455.2025.08.048

0引信务在数学建模中应用少，集中于医学、军事等领域，

因嵌套数据集稀缺，扁平任务更常见实用。本文研究

在大数据时代，建模分析是各领域重要工具，通

模型在扁平中文命名实体识别任务的实现与效果，为

过数据处理和解释帮助理解现象、预测趋势和提出

数学建模实体识别提供高效方案。命名实体识别任务

方案。其应用广泛且重要，但建立模型只是起点，验

应用于数学建模可提高模型准确性和实用性，增强预

证、分析和优化模型以确保准确性和适用性至关重

测分析能力。

要。建模分析在数学建模中作用重大，然而不同领域

1.2Math-GLM大模型的微调技术

人员建模分析能力参差不齐且学习资源不足，熟练掌

近年来，通用人工智能（AGI）成为人工智能领域的

握该能力难度较大。如何让用户不受资源和能力限

主要竞争焦点之一，并在多个深度学习领域带来了革命

制，提高建模分析能力处理庞大数据并建立合适模型

性的变化。这些进展主要体现在诸如GPT-3、BERT等基

是当前面临的问题。本研究以创新模型为基础，通过

于Transformer架构的模型的广泛应用中，这些模型被成

命名实体识别与Kullback-Leibler（KL）散度的创新微

调方式调整而成的Math-GLM大模型，采用“一站式”功应用于文本生成、翻译、摘要与问答系统等任务2-]。

近几年的研究进一步推动了这些模型在理解复杂语境

方案将统计方法、数据图表、建模过程、结果分析、

和生成连贯文本方面的能力，展示了模型在处理自然

大模型智能问答一体化，构建了一个数学建模结合的

语言复杂查询和生成高质量回答方面的巨大潜力。

智能建模分析平台，旨在解决资源和能力的局限性，

应用大型语言模型到下游任务时，微调技术基于

为用户提供更加适用于自身的智能建模分析平台。

预训练的大型语言模型，在特定任务数据上进一步训

1练。其优势是模型已有广泛语