1. 视觉推理的困境与几何AI的探索
几何问题一直是AI领域的硬骨头。去年我在研究大模型解数学题时发现一个有趣现象:同样的几何题,模型有时能给出完美解答,有时却连基本图形关系都搞错。这种不稳定性并非源于模型"看不懂图",而是缺乏可操作的中间结构。
传统几何解题中,人类会通过辅助线、标记角度等中间步骤构建思维脚手架。比如证明三角形全等时,我们会先找对应边角关系,再逐步推导。但大模型缺乏这种结构化的工作记忆,导致推理过程容易"漂移"——前一秒刚画的辅助线,下一步就忘了用途。
这种现象在认知科学中称为"空间工作记忆不稳定"。就像你试图心算三位数乘法时,中间结果不断遗忘,不得不反复回溯。对AI而言,几何图形中的点线面关系就是需要暂存的中间状态。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. CodePlot-CoT的技术实现路径
香港大学团队提出的CodePlot-CoT方案颇具工程智慧。他们不强迫模型在隐空间维持图形记忆,而是将中间状态外化——让模型用matplotlib代码实时生成图像:
- 文本解析阶段:模型理解题目描述的几何关系
- 代码生成阶段:输出如
ax.plot([A[0],B[0]], [A[1],B[1]])的绘图指令 - 图像渲染阶段:执行代码生成带辅助线的图形
- 多模态推理阶段:结合新图像继续解题
这种"思考-画图-再思考"的循环,相当于给模型配备了草稿纸。在Math-VR数据集(17.8万道题)上测试显示,这种方法使视觉一致性提升37%,推理准确率提高22%。
关键突破:将易失的视觉记忆转化为可重复执行的代码表示。就像建筑师用CAD图纸代替脑海中的想象,确保设计意图精确传递。
3. 几何推理的本质矛盾
但这种方法暴露了更深层的问题。当模型写出ax.plot([C[0],D[0]], [C[1],D[1]])时,它只是在坐标系中连接两点,而非进行几何构造。二者的本质差异在于:
| 特征 | 坐标绘图 | 几何构造 |
|---|---|---|
| 操作对象 | 像素坐标(x,y) | 抽象几何元素 |
| 关系判定依据 | 视觉测量 |
