Аналитическая геометрия — негласный камень преткновения для ИИ
Современные модели неплохо научились решать геометрические задачи, в которых фигуры уже изображены на чертеже. Куда сложнее ситуация с аналитической геометрией: здесь объекты заданы уравнениями, координатами и условиями касания или пересечения. Для обучения таких систем нужны размеченные примеры — задача, текст, точный рисунок и ответ. И вот с ними как раз большая беда: готовых наборов почти нет, а автоматически получать их очень непросто.
Почему же нельзя просто сгенерировать картинки по шаблону? Оказывается, классические конструкторы задач работают только с жёстко заданными сценариями. Как только появляется ограничение типа «окружность касается параболы в точке с целыми координатами», шаблон ломается. Генеративные нейросети, в свою очередь, умеют рисовать правдоподобные диаграммы, но не гарантируют математическую точность: кривые могут пересекаться не там, где нужно, а касание — быть лишь визуальным.
Нужен подход, который с самого начала строил бы диаграмму по формальным правилам, а не по «среднестатистической» картинке из интернета.
Как устроен фреймворк: от условия к точному чертежу
Исследователи предложили FormalAnalyticGeo — полностью автоматический конвейер, объединяющий нейросети с символьной проверкой. Вместо того чтобы доверять генеративным моделям построение рисунка, система переводит задачу в промежуточное формальное описание и только потом рендерит диаграмму. Это позволяет держать геометрическую точность под контролем на всём протяжении работы.
CDL и SDF: мост между текстом и рисунком
Центральная идея — язык описания условий CDL (Condition Description Language). Это промежуточное представление, которое берет на себя две роли: оно структурирует условия задачи, пересказанные свободным текстом, и одновременно содержит все данные, необходимые для отрисовки. Такой формат оказывается гораздо гибче традиционных параметрических шаблонов: в нём можно выразить произвольные комбинации точек, прямых и конических сечений.
Отрисовка выполняется движком, работающим на технологий Signed Distance Field (SDF). Каждый объект описывается функцией расстояния до своей границы — положительная область снаружи, отрицательная внутри. Благодаря этому легко вычислять взаимное расположение объектов: пересечения, касания, принадлежность точки кривой. Именно SDF даёт ту самую математическую точность, которой так не хватает обычным генеративным подходам.
Четыре компонента: генерация, формализация, измерение и контроль
Внутри фреймворка трудятся четыре специализированных LLM-компонента, каждый со своей функцией:
- Generator — придумывает условие задачи, выбирая параметры и геометрический сюжет.
- Formalizer — переводит текст на CDL, то есть превращает свободную формулировку в формальную структуру, понятную движку.
- Measurer — анализирует уже вычисленную диаграмму и «измеряет» по ней эталонный ответ, имитируя действия человека.
- Quality Verifier — проверяет качество на каждом из трёх предыдущих шагов: корректность текста, формальную валидность CDL и согласованность ответа с чертежом.
Quality Verifier не просто отбраковывает плохие примеры. Он формирует структурированную обратную связь и отправляет конвейер на повторное выполнение нужного шага. Так создаётся замкнутый цикл, в котором никто из людей не участвует: ошибки исправляются автоматически, пока результат не пройдёт все проверки.
AnalyticGeo7K: тест на реальных данных
Чтобы проверить фреймворк на деле, авторы собрали и вычистили набор данных AnalyticGeo7K. В него вошло более семи тысяч задач, в каждой из которых согласованы четыре элемента: условие, диаграмма, формальная аннотация и ответ. Такой комплексности не хватало предыдущим датасетам.
Результаты выглядят обнадёживающе. Медианная относительная ошибка эталонных ответов, которые были получены визуальным измерением диаграмм, составила примерно 0,7%. Если же допустить погрешность до пяти процентов от точного символьного решения, то в этот интервал попадают уже 82,3% всех сгенерированных ответов. Это означает, что автоматизированный конвейер способен выдавать не просто правдоподобные, а действительно правильные задачи с аккуратными чертежами.
Что дальше
Авторы планируют открыть и сам фреймворк, и набор данных для публичного использования. Это открывает интересные перспективы: преподаватели смогут быстро получать неограниченное количество свежих задач с точными иллюстрациями, а исследователи — использовать новые данные для обучения моделей математическому мышлению. Кроме того, архитектуру наверняка удастся перенести на другие разделы геометрии или даже смежные дисциплины, где важна строгая связь между текстом, формулой и изображением.
Пока же FormalAnalyticGeo демонстрирует главное: комбинация нейросетевой генерации с формальной верификацией позволяет получать качественные мультимодальные данные без ручной работы, и этот принцип, скорее всего, станет стандартом для будущих генераторов учебных материалов.
