Generator Soal Geometri Analitik Formal: pembuat soal geometri analitik otomatis dengan gambar presisi

6 September 202641 tampilan

Kerangka kerja baru ini menggabungkan jaringan saraf dan metode simbolik untuk menghasilkan teks, diagram, dan jawaban soal yang konsisten tanpa campur tangan manusia. Berdasarkan kerangka kerja tersebut, disusun dataset AnalyticGeo7K: lebih dari 7000 contoh terverifikasi dengan kesalahan median jawaban referensi kurang dari 1%.

Generator Soal Geometri Analitik Formal: pembuat soal geometri analitik otomatis dengan gambar presisi

Geometri analitik — batu sandungan tak terucap bagi AI

Model-model modern sebenarnya sudah cukup mahir menyelesaikan soal geometri ketika bangun-bangun geometrisnya sudah tergambar pada diagram. Jauh lebih rumit situasinya dengan geometri analitik: di sini objek-objek ditentukan oleh persamaan, koordinat, serta kondisi singgungan atau perpotongan. Untuk melatih sistem semacam itu, diperlukan contoh-contoh beranotasi — soal, teks, gambar presisi, dan jawaban. Dan justru di sinilah masalah besarnya: kumpulan data siap pakai hampir tidak ada, sementara mendapatkannya secara otomatis sangatlah sulit.

Mengapa tidak bisa begitu saja membuat gambar dari templat? Ternyata, penyusun soal klasik hanya bekerja dengan skenario yang dikunci secara kaku. Begitu muncul kendala seperti "lingkaran menyinggung parabola di titik dengan koordinat bilangan bulat", templatnya langsung rusak. Jaringan saraf generatif, di sisi lain, memang bisa menggambar diagram yang tampak meyakinkan, tetapi tidak menjamin ketepatan matematis: kurva bisa berpotongan tidak di tempat yang seharusnya, dan singgungan bisa hanya sekadar visual belaka.

Diperlukan pendekatan yang sejak awal membangun diagram berdasarkan aturan formal, bukan berdasarkan gambar "rata-rata" dari internet.

Bagaimana kerangka kerja ini disusun: dari soal ke gambar presisi

Para peneliti mengusulkan FormalAnalyticGeo — sebuah konveyor otomatis penuh yang menggabungkan jaringan saraf dengan verifikasi simbolik. Alih-alih mempercayakan pembuatan gambar kepada model generatif, sistem ini menerjemahkan soal ke dalam deskripsi formal perantara, baru kemudian merender diagramnya. Ini memungkinkan ketepatan geometris tetap terkendali di sepanjang proses kerja.

CDL dan SDF: jembatan antara teks dan gambar

Ide utamanya adalah bahasa deskripsi kondisi CDL (Condition Description Language). Ini adalah representasi perantara yang memegang dua peran: ia menstrukturkan kondisi soal yang diceritakan dalam teks bebas, sekaligus memuat semua data yang diperlukan untuk penggambaran. Format semacam ini ternyata jauh lebih fleksibel daripada templat parametrik tradisional: di dalamnya dapat diekspresikan kombinasi sembarang dari titik, garis lurus, dan irisan kerucut.

Penggambaran dilakukan oleh mesin yang bekerja dengan teknologi Signed Distance Field (SDF). Setiap objek dideskripsikan oleh fungsi jarak ke batasnya — wilayah positif di luar, negatif di dalam. Berkat ini, posisi relatif antarobjek mudah dihitung: perpotongan, singgungan, kepemilikan titik pada kurva. Justru SDF inilah yang memberikan ketepatan matematis yang selama ini kurang pada pendekatan generatif biasa.

Empat komponen: generasi, formalisasi, pengukuran, dan kontrol

Di dalam kerangka kerja ini bekerja empat komponen LLM khusus, masing-masing dengan fungsinya:

  • Generator — merancang kondisi soal, memilih parameter dan alur geometris.
  • Formalizer — menerjemahkan teks ke CDL, yaitu mengubah rumusan bebas menjadi struktur formal yang dipahami mesin.
  • Measurer — menganalisis diagram yang telah dihitung dan "mengukur" jawaban acuan darinya, meniru tindakan manusia.
  • Quality Verifier — memeriksa kualitas pada masing-masing dari tiga langkah sebelumnya: kebenaran teks, validitas formal CDL, dan konsistensi jawaban dengan gambar.

Quality Verifier tidak sekadar menolak contoh yang buruk. Ia membentuk umpan balik terstruktur dan mengirim konveyor untuk mengulangi langkah yang diperlukan. Dengan begitu tercipta siklus tertutup yang tidak melibatkan manusia sama sekali: kesalahan diperbaiki secara otomatis hingga hasilnya lolos semua pemeriksaan.

AnalyticGeo7K: uji pada data nyata

Untuk menguji kerangka kerja ini di lapangan, para penulis mengumpulkan dan membersihkan kumpulan data AnalyticGeo7K. Di dalamnya terdapat lebih dari tujuh ribu soal, dan pada setiap soal ada empat elemen yang selaras: kondisi, diagram, anotasi formal, dan jawaban. Tingkat kelengkapan seperti ini tidak dimiliki oleh kumpulan data sebelumnya.

Hasilnya terlihat menjanjikan. Median kesalahan relatif dari jawaban acuan yang diperoleh melalui pengukuran visual diagram adalah sekitar 0,7%. Jika toleransi kesalahan hingga lima persen dari solusi simbolik presisi diperbolehkan, maka 82,3% dari seluruh jawaban yang dihasilkan masuk ke dalam interval ini. Ini berarti konveyor otomatis mampu menghasilkan bukan sekadar soal yang tampak masuk akal, melainkan soal yang benar-benar tepat dengan gambar yang rapi.

Langkah selanjutnya

Para penulis berencana membuka baik kerangka kerja maupun kumpulan datanya untuk penggunaan publik. Ini membuka prospek yang menarik: para pengajar akan bisa dengan cepat mendapatkan soal-soal baru dalam jumlah tak terbatas dengan ilustrasi presisi, sementara para peneliti bisa menggunakan data baru untuk melatih model dalam penalaran matematis. Selain itu, arsitekturnya kemungkinan besar bisa dialihkan ke cabang geometri lain atau bahkan disiplin ilmu terkait yang mengutamakan keterkaitan erat antara teks, rumus, dan gambar.

Untuk saat ini, FormalAnalyticGeo menunjukkan hal yang utama: kombinasi generasi jaringan saraf dengan verifikasi formal memungkinkan diperolehnya data multimodal berkualitas tanpa kerja manual, dan prinsip ini kemungkinan besar akan menjadi standar bagi generator materi pembelajaran di masa depan.

Pertanyaan yang sering ditanyakan

Bahan terkait

Semua bahan
Invarian polinomial kanonik dalam diagnostik kegagalan simulator RL: di mana sebenarnya berguna?
Berita

Invarian polinomial kanonik dalam diagnostik kegagalan simulator RL: di mana sebenarnya berguna?

Studi ini menguji apakah menyertakan hukum fisika dalam model dinamika yang dapat dilatih memang sepadan: invarian yang diekstrak dari lintasan dan diubah ke bentuk kanonis melalui basis Gröbner hanya sedikit meningkatkan prediksi, tetapi sangat berguna untuk diagnosis—invarian ini dapat membantu menemukan kendala yang dilanggar dan mengidentifikasi parameter spesifik yang keliru.

10 November 2026
AURA-Eval: cara memeriksa apakah agen LLM mengenali risiko dan mengubah langkah berikutnya
Berita

AURA-Eval: cara memeriksa apakah agen LLM mengenali risiko dan mengubah langkah berikutnya

Framework ini mengevaluasi perilaku agen LLM bukan berdasarkan keputusan akhir, melainkan respons terhadap risiko di titik-titik penting: rangkaian pemanggilan alat dihentikan, lalu model harus melanjutkan penalaran dan tindakan, sementara panel juri LLM menilai deteksi risiko, karakter, dan keamanan langkah tersebut. Dalam 1.249 tugas yang dikumpulkan dari 157 rangkaian R-Judge, 20 model lebih sering melakukan tindakan tidak aman saat jalur aman tidak tersedia, dan penghapusan pengawasan sebelum eksekusi mengubah 52,3% kasus yang semula aman menjadi tidak aman.

10 November 2026
Memori reservoir Chern–Simons: dinamika konektivitas mandiri dan transfer densitas
Berita

Memori reservoir Chern–Simons: dinamika konektivitas mandiri dan transfer densitas

Artikel ini membahas bagaimana reservoir menyimpan riwayat sinyal masukan secara bersamaan dalam distribusi densitas dan derajat kebebasan geometris. Perbandingan empat mekanisme menunjukkan bahwa arus menciptakan komponen keterhubungan tersendiri yang mengubah respons densitas berikutnya, sementara penggunaan semua fitur yang terukur memberikan sedikit peningkatan dalam dekode urutan pulsa.

10 November 2026
Generator Soal Geometri Analitik Formal: pembuat soal geometri analitik otomatis dengan gambar presisi