解析几何——AI不为人知的绊脚石
现代模型已经相当擅长解决那些图形已绘制在示意图中的几何问题。但解析几何的情况要复杂得多：这里的对象由方程、坐标以及相切或相交条件来定义。要训练这类系统，需要带标注的示例——题目、文本、精确图形和答案。而恰恰在这方面存在大问题：现成的数据集几乎没有，自动获取又非常困难。
为什么不能简单地按模板生成图片呢？事实证明，经典题目构造器只能处理严格预设的场景。一旦出现“圆在整数坐标点处与抛物线相切”这样的约束，模板就会失效。另一方面，生成式神经网络虽然能画出看似合理的图表，但无法保证数学精度：曲线可能不在需要的位置相交，而“相切”可能只是视觉上的。
我们需要一种方法，从一开始就依据形式化规则构建图表，而不是依据互联网上“平均化”的图片。
框架如何运作：从条件到精确图形
研究人员提出了 FormalAnalyticGeo——一个将神经网络与符号验证相结合的完全自动化流水线。系统不依赖生成式模型来构建图形，而是将题目转换为中间形式化描述，然后再渲染图表。这使得几何精度在整个工作流程中始终处于可控状态。
CDL 与 SDF：文本与图形之间的桥梁
核心思想是条件描述语言 CDL（Condition Description Language）。这是一种中间表示，承担双重角色：它结构化地组织用自由文本转述的题目条件，同时包含渲染所需的全部数据。这种格式比传统的参数化模板灵活得多：它可以表达点、直线和圆锥曲线的任意组合。
渲染由基于符号距离场（SDF）技术的引擎完成。每个对象都通过到其边界的距离函数来描述——外部为正区域，内部为负区域。借此可以轻松计算对象之间的相对位置：相交、相切、点是否属于曲线。正是 SDF 提供了普通生成式方法所欠缺的数学精度。
四个组件：生成、形式化、测量与验证
框架内部有四个专门的 LLM 组件协同工作，各司其职：
- Generator（生成器） —— 构思题目条件，选择参数和几何情节。
- Formalizer（形式化器） —— 将文本转换为 CDL，即把自由表述转化为引擎可理解的形式化结构。
- Measurer（测量器） —— 分析已计算出的图表，并据此“测量”出参考答案，模拟人类行为。
- Quality Verifier（质量验证器） —— 对前三个步骤逐一检查质量：文本正确性、CDL 的形式有效性以及答案与图形的一致性。
Quality Verifier 不只是剔除劣质样本。它会生成结构化的反馈，并将流水线送回需要重做的步骤。这样就形成了一个闭环，全程无需人工参与：错误会被自动修正，直到结果通过所有检查。
AnalyticGeo7K：真实数据测试
为了在实际中检验框架，作者收集并清洗了 AnalyticGeo7K 数据集。其中包含七千多道题目，每道题都有四个相互一致的元素：条件、图表、形式化标注和答案。这种完整性是此前数据集所欠缺的。
结果令人鼓舞。通过视觉测量图表得到的参考答案，其中位相对误差约为 0.7%。如果将容差放宽到精确符号解的 5% 以内，那么 82.3% 的生成答案都能落入这一区间。这意味着自动化流水线不仅能产出看似合理的题目，更能生成真正正确、带有精细图形的题目。
未来展望
作者计划将框架和数据集都开源供公众使用。这开辟了有趣的前景：教师可以快速获得无限量的、带有精确插图的新题目，研究人员则可以利用新数据训练模型的数学推理能力。此外，这一架构很可能还能迁移到几何的其他分支，甚至相邻学科——凡是文本、公式与图像之间需要严格对应关系的领域。
就目前而言，FormalAnalyticGeo 证明了关键一点：将神经网络生成与形式化验证相结合，可以在无需人工的情况下获得高质量的多模态数据，而这一原则很可能成为未来教育材料生成器的标准。
