新框架让纯语言模型通过符号解析解决几何题
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载用符号解析替代视觉模型
这项研究提出了一条不同于主流多模态模型的路线：不直接让模型看图答题，而是先用几何视觉解析器把图形转写成符号表达，再交给符号求解器完成形式化推导。研究者的判断是，大型多模态模型虽然能同时处理图形与文字，但计算开销大，中间过程也不易看清。把感知与推理拆成两个环节后，图形信息以符号形式进入推理流程，模型凭空生成结论的空间被压缩，推导步骤也能逐步呈现。论文给出的定位是：一个纯语言模型在接入这两个专用模块后，可以在复杂几何题上达到与先进多模态模型相当的水平。
新基准取自中考试题
为了检验这套框架的推理能力，作者从 2025 年中国中考的几何题目中挑选难题，整理成一个评测基准。选择这一来源的考虑是保证题目足够新，避免模型在训练阶段已经见过同类题目，从而让评测更侧重深层演绎能力而非记忆。论文报告的结果显示，该方法的成绩与 Gemini 2.5 Pro 处于可比区间，同时给出的解答过程更清晰，也更接近人的书写方式。这一对比的意义在于：达到相近正确率的同时，输出的推导链条可被逐句检查，而不是只给出一个答案。
适用范围与当前限制
这套方案的适用场景集中在平面几何，依赖图形能够被解析器稳定转成符号描述，再由求解器在形式化规则内推进。它的优势是过程可解释、幻觉更少，代价是链路被拆成多个模块，每个环节的转换质量都会影响最终结果。论文没有给出跨领域推广的结论，也没有说明在图形复杂、标注缺失或需要辅助线构造时的表现。对关注几何推理的读者来说，这项工作的价值在于提供了一种把感知外包给解析器、把推理交给符号系统的组合思路，并与多模态端到端方案形成对照。
为什么值得看
证明纯 LLM 配合符号系统可替代昂贵 LMM 解决复杂几何推理。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。