La geometría analítica: la piedra de tropiezo no oficial para la IA
Los modelos modernos han aprendido bastante bien a resolver problemas geométricos en los que las figuras ya están dibujadas en el diagrama. Mucho más complicada es la situación con la geometría analítica: aquí los objetos están definidos por ecuaciones, coordenadas y condiciones de tangencia o intersección. Para entrenar estos sistemas se necesitan ejemplos etiquetados: problema, texto, dibujo preciso y respuesta. Y ahí está precisamente el gran problema: casi no hay conjuntos listos, y obtenerlos automáticamente es muy difícil.
¿Por qué no se pueden simplemente generar imágenes a partir de una plantilla? Resulta que los generadores clásicos de problemas solo funcionan con escenarios rígidamente definidos. En cuanto aparece una restricción como «una circunferencia es tangente a una parábola en un punto de coordenadas enteras», la plantilla se rompe. Las redes generativas, por su parte, saben dibujar diagramas plausibles, pero no garantizan precisión matemática: las curvas pueden cruzarse donde no deben, y la tangencia puede ser solo visual.
Se necesita un enfoque que desde el principio construya el diagrama según reglas formales, y no a partir de una imagen «promedio» de internet.
Cómo funciona el marco: de la condición al dibujo preciso
Los investigadores propusieron FormalAnalyticGeo — un pipeline totalmente automático que combina redes neuronales con verificación simbólica. En lugar de confiar en los modelos generativos para construir la figura, el sistema traduce el problema a una descripción formal intermedia y solo entonces renderiza el diagrama. Esto permite mantener la precisión geométrica bajo control durante todo el proceso.
CDL y SDF: el puente entre el texto y la figura
La idea central es el lenguaje de descripción de condiciones CDL (Condition Description Language). Es una representación intermedia que cumple dos funciones: estructura las condiciones del problema, reformuladas en texto libre, y a la vez contiene todos los datos necesarios para el renderizado. Este formato resulta mucho más flexible que las plantillas paramétricas tradicionales: permite expresar combinaciones arbitrarias de puntos, rectas y secciones cónicas.
El renderizado lo realiza un motor basado en la tecnología Signed Distance Field (SDF). Cada objeto se describe mediante una función de distancia a su frontera: región positiva por fuera, negativa por dentro. Gracias a esto es fácil calcular la disposición mutua de los objetos: intersecciones, tangencias, pertenencia de un punto a una curva. Es precisamente el SDF el que aporta esa exactitud matemática que tanto falta en los enfoques generativos convencionales.
Cuatro componentes: generación, formalización, medición y control
Dentro del marco trabajan cuatro componentes LLM especializados, cada uno con su función:
- Generator — inventa la condición del problema, eligiendo parámetros y el escenario geométrico.
- Formalizer — traduce el texto a CDL, es decir, convierte la formulación libre en una estructura formal comprensible para el motor.
- Measurer — analiza el diagrama ya calculado y «mide» a partir de él la respuesta de referencia, imitando las acciones humanas.
- Quality Verifier — comprueba la calidad en cada uno de los tres pasos anteriores: corrección del texto, validez formal del CDL y coherencia de la respuesta con el dibujo.
El Quality Verifier no solo descarta los ejemplos malos. Genera retroalimentación estructurada y envía el pipeline a reejecutar el paso necesario. Así se crea un ciclo cerrado en el que no participa ningún humano: los errores se corrigen automáticamente hasta que el resultado supera todas las verificaciones.
AnalyticGeo7K: prueba con datos reales
Para poner a prueba el marco en la práctica, los autores recopilaron y depuraron un conjunto de datos llamado AnalyticGeo7K. Incluye más de siete mil problemas, en cada uno de los cuales se coordinan cuatro elementos: condición, diagrama, anotación formal y respuesta. A los conjuntos de datos anteriores les faltaba ese nivel de complejidad.
Los resultados son prometedores. El error relativo mediano de las respuestas de referencia, obtenidas mediante medición visual de los diagramas, fue de aproximadamente el 0,7%. Si se admite una tolerancia de hasta el cinco por ciento respecto a la solución simbólica exacta, en ese intervalo caen ya el 82,3% de todas las respuestas generadas. Esto significa que el pipeline automatizado es capaz de producir no solo problemas verosímiles, sino realmente correctos, con dibujos cuidados.
Qué sigue
Los autores planean abrir tanto el marco como el conjunto de datos para uso público. Esto abre perspectivas interesantes: los docentes podrán obtener rápidamente una cantidad ilimitada de problemas nuevos con ilustraciones precisas, y los investigadores podrán usar los nuevos datos para entrenar modelos en razonamiento matemático. Además, es muy probable que la arquitectura pueda trasladarse a otras ramas de la geometría o incluso a disciplinas afines donde importe una relación estricta entre texto, fórmula e imagen.
Por ahora, FormalAnalyticGeo demuestra lo esencial: la combinación de generación neuronal con verificación formal permite obtener datos multimodales de calidad sin trabajo manual, y este principio probablemente se convertirá en el estándar para los futuros generadores de materiales educativos.
