Geometria analítica — a pedra de tropeço não declarada para a IA
Os modelos modernos aprenderam bem a resolver problemas geométricos em que as figuras já estão desenhadas. A situação é muito mais complicada com a geometria analítica: aqui, os objetos são definidos por equações, coordenadas e condições de tangência ou interseção. Para treinar tais sistemas, são necessários exemplos anotados — problema, texto, desenho preciso e resposta. E é justamente aí que está o grande problema: conjuntos prontos quase não existem, e obtê-los automaticamente é muito difícil.
Por que não podemos simplesmente gerar imagens a partir de um modelo? Acontece que os construtores clássicos de problemas funcionam apenas com cenários rigidamente definidos. Assim que surge uma restrição como "a circunferência tangencia a parábola em um ponto com coordenadas inteiras", o modelo quebra. As redes neurais generativas, por sua vez, sabem desenhar diagramas plausíveis, mas não garantem precisão matemática: as curvas podem se cruzar onde não deveriam, e a tangência pode ser apenas visual.
É necessária uma abordagem que construa o diagrama desde o início com base em regras formais, e não a partir de uma imagem "média" da internet.
Como o framework funciona: da condição ao desenho preciso
Os pesquisadores propuseram o FormalAnalyticGeo — um pipeline totalmente automático que combina redes neurais com verificação simbólica. Em vez de confiar a geração da imagem aos modelos generativos, o sistema converte o problema em uma descrição formal intermediária e só então renderiza o diagrama. Isso permite manter a precisão geométrica sob controle durante todo o processo.
CDL e SDF: a ponte entre texto e imagem
A ideia central é a linguagem de descrição de condições CDL (Condition Description Language). Trata-se de uma representação intermediária que desempenha dois papéis: ela estrutura as condições do problema, reescritas em texto livre, e ao mesmo tempo contém todos os dados necessários para a renderização. Esse formato é muito mais flexível do que os modelos paramétricos tradicionais: nele é possível expressar combinações arbitrárias de pontos, retas e seções cônicas.
A renderização é feita por um motor baseado na tecnologia Signed Distance Field (SDF). Cada objeto é descrito por uma função de distância até sua borda — região positiva externa, negativa interna. Graças a isso, é fácil calcular a posição relativa dos objetos: interseções, tangências, pertencimento de um ponto a uma curva. É o SDF que proporciona aquela precisão matemática que falta às abordagens generativas comuns.
Quatro componentes: geração, formalização, medição e controle
Dentro do framework trabalham quatro componentes LLM especializados, cada um com sua função:
- Generator — cria a condição do problema, escolhendo parâmetros e o enredo geométrico.
- Formalizer — traduz o texto para CDL, ou seja, transforma a formulação livre em uma estrutura formal compreensível pelo motor.
- Measurer — analisa o diagrama já calculado e "mede" a resposta de referência a partir dele, imitando a ação humana.
- Quality Verifier — verifica a qualidade em cada uma das três etapas anteriores: a correção do texto, a validade formal do CDL e a consistência da resposta com o desenho.
O Quality Verifier não apenas descarta exemplos ruins. Ele gera um feedback estruturado e envia o pipeline para reexecutar a etapa necessária. Assim, cria-se um ciclo fechado no qual nenhum humano participa: os erros são corrigidos automaticamente até que o resultado passe em todas as verificações.
AnalyticGeo7K: teste com dados reais
Para testar o framework na prática, os autores coletaram e limparam o conjunto de dados AnalyticGeo7K. Ele contém mais de sete mil problemas, cada um com quatro elementos consistentes: condição, diagrama, anotação formal e resposta. Essa complexidade faltava aos conjuntos de dados anteriores.
Os resultados são animadores. O erro relativo mediano das respostas de referência, obtidas por medição visual dos diagramas, foi de aproximadamente 0,7%. Se for permitida uma margem de erro de até cinco por cento em relação à solução simbólica exata, 82,3% de todas as respostas geradas caem nesse intervalo. Isso significa que o pipeline automatizado é capaz de produzir não apenas problemas plausíveis, mas realmente corretos, com desenhos precisos.
Próximos passos
Os autores planejam disponibilizar tanto o framework quanto o conjunto de dados para uso público. Isso abre perspectivas interessantes: professores poderão obter rapidamente uma quantidade ilimitada de novos problemas com ilustrações precisas, e pesquisadores poderão usar os novos dados para treinar modelos em raciocínio matemático. Além disso, a arquitetura certamente poderá ser transferida para outras áreas da geometria ou até mesmo disciplinas relacionadas, onde a conexão rigorosa entre texto, fórmula e imagem seja importante.
Por enquanto, o FormalAnalyticGeo demonstra o principal: a combinação de geração por redes neurais com verificação formal permite obter dados multimodais de qualidade sem trabalho manual, e esse princípio provavelmente se tornará o padrão para futuros geradores de materiais educacionais.
