开发背景
最近报名了一个数维杯数学建模大赛，在数学建模的过程中，我们需要经历题目拆解、数学计算、代码编写等多个步骤。
如果需要AI辅助，那就需要询问多个AI进行判断。为了提高解题效率，我决定开发一个程序，能够集成这些功能，帮助我更快速地完成建模任务。
程序功能
MinoV1.0主要集成了以下几个功能：
- 题目拆解：使用SCNet平台的DeepSeek-R1-Distill-Qwen-7B大模型对题目进行分析和拆解，帮助用户理解题目的要求和关键点。
- 数学计算：调用讯飞星火4.0 Ultra模型进行数学公式的推导和计算，为后续的代码编写提供理论支持。
- 代码生成：利用智谱GLM-4V-Flash模型根据分析和计算结果生成Python代码，减少用户的手动编写工作。
- 多模型讨论：综合多个模型的结果，进行逻辑一致性的验证，确保最终答案的准确性和可靠性。
技术实现
在开发过程中，我选择了多个国产AI大模型，以确保程序的高效性和准确性：
- SCNet平台DeepSeek-R1-Distill-Qwen-7B模型：用于题目拆解，能够深入理解题目并提供详细的分析。
- 讯飞星火4.0 Ultra模型：负责数学计算部分，具备强大的数学推理能力。（因为是收费大模型，后续可能会替换掉）
- 智谱GLM-4V-Flash模型：用于代码生成，能够根据给定的提示生成符合要求的Python代码。
通过合理的接口调用和数据处理，我将这些模型的功能整合到了一个程序中。
使用方法
使用MinoV1.0非常简单，只需按照以下步骤操作：
- 安装依赖库：确保你的环境中已安装
requests库。 - 填写配置信息：在代码中填写各个平台的API密钥和模型名称。
- 运行程序：通过命令行运行程序，并输入数学建模题目。
- 查看结果：程序将依次输出题目拆解、数学计算、代码生成和最终结论。
示例与实践
在实际使用中，我输入了一个物流运输成本优化的题目，程序成功地完成了以下任务：
- 题目拆解：明确了问题的目标是最小化运输成本，并识别了相关条件和约束。
- 数学计算：推导出了适用于该问题的数学模型和算法。
- 代码生成：生成了实现模型的Python代码，包括数据处理和结果可视化。
- 多模型讨论：综合所有结果，验证了逻辑的一致性，并得出了最终结论。
总结与展望
MinoV1.0作为我的第一个集成多个AI模型的程序，虽然还有一些需要完善的地方，但它已经在数学建模任务中展现出了巨大的潜力。未来，我计划继续优化程序，增加更多模型的支持，并提升用户体验。
如果你也对数学建模或AI技术感兴趣，欢迎一起交流和探索！然后我也开通了一个Github代码仓，后续迭代几个版本之后会放在代码仓
Comments NOTHING