GeoReform：让「形式化」本身进化，多模态几何解题的新路径

多模态大模型在几何题上长期吃力，原因并不神秘：题目的关键信息藏在图里，哪条线垂直，哪个角相等，哪段弧属于哪个圆，模型常常看不准，更谈不上正确使用。近年的主流办法，是先把图中的几何实体、关系和约束翻译成显式文本，再让模型在文本上推理。这个思路直观，也确实有效。但 2026 年 10 月 8 日发布的论文 GeoReform（arXiv 2610.12391，作者包括 Jialu Wang、Ruichen Zhang、Xiaoou Liu、Hua Wei 与 Tianlong Chen）提出了一个更尖锐的问题：翻译得好不好，本身就是难题。 论文给出了一组很有说服力的数字。在 Geometry3K 的 200 个样本上，结构注入修复了 28 个原本答错的题目，却同时让 13 道原本答对的题目变成了错误。净收益是正的，但代价同样真实。作者对原因的归纳很朴素：冗余的关系会分散模型的注意力，而对图中元素的指代含糊，会让模型把约束套在错误的对象上。换句话说，瓶颈不在于抽取出更多几何事实，而在于把这些事实组织成一种便于下游推理的表示。多给信息，并不等于给对信息。 基于这一判断，GeoReform 把形式化从「固定的解析器输出」改成「可以优化的策略」。它的流程可以概括为一个闭环。系统先用当前的形式化策略跑完整条推理流水线，然后收集失败的推演轨迹，接着诊断当前表示里的缺陷，最后对策略做变异，让它更好地选择、落地、分组和呈现几何实体、关系、约束与求解目标。这四个动词值得细看：选择决定哪些事实该留下，落地解决指代是否清楚，分组决定事实之间的结构，呈现则关系到文本的排布方式。每一步都对应论文所说的一类表示缺陷。

这种设计的关键，在于优化信号来自端到端的结果，而不是形式化本身的「看起来对不对」。传统解析器追求的是忠实还原图像，但忠实不等于有用。GeoReform 让失败的推理告诉系统：哪种表示会把模型带偏。这与近年反思式、进化式的提示与策略优化思路一脉相承，把「出错后复盘」变成了系统的一部分。需要说明的是，论文摘要并未披露变异的具体算子、搜索预算或各个组件的消融数据，这些细节要读正文才能判断，我们在这里不做推测。 从结果看，这条路线对小模型尤其友好。在 Geometry3K 上，Qwen3VL-2B 的准确率从 42.0% 提高到 56.0%，提升 14 个百分点。一个只有 20 亿参数量级的模型，靠更好的表示就拿到如此幅度的增益，说明相当一部分错误并非「不会推理」，而是「看到的题目被表示坏了」。作者还在多个几何推理基准上做了广泛实验与分析，结论是：有效的形式化对多模态几何推理至关重要。当然，单一数据集上的单一模型结果不能直接外推，是否在更大模型、更多基准上保持同样幅度的收益，仍需独立复现。

再往深处看，这篇论文还触及一个常被忽视的评估问题：如何判断一种形式化是「好」的。传统做法是拿它和人工标注的几何描述对比，看抽取得全不全、准不准。GeoReform 的数字却说明，这种静态指标和最终解题表现之间有缺口。结构注入在 200 个样本里既救回了题，也毁掉了题，说明同一份看似完整的描述，对不同题目的影响方向并不一致。因此，衡量形式化的合理标准，应当是它在下游推理中的净贡献，包括它引入的新错误。这与软件工程里「看覆盖率不如看回归」的经验相通：新增的信息若会破坏原本正确的行为，就不能算纯收益。 还有一点值得工程团队留意。把形式化当作策略来演化，意味着系统需要稳定的失败样本、可重复的评测流程，以及能把失败原因归到具体表示缺陷上的诊断环节。后者最难，因为同一个错误答案可能源于遗漏了关键关系，也可能源于保留了过多无关关系，或者指代含糊。论文用「选择、落地、分组、呈现」四个维度来组织这些缺陷，给出了一套实用的分类语言。即便不复现整套框架，团队也可以借用这套语言，去审视自己现有的视觉转文本流程，逐项检查哪一环最容易出问题。这样的做法门槛低，却能把模糊的「效果不好」变成可以逐项修复的具体清单。这比盲目堆叠更多提示词、更多抽取模块要踏实得多，也更容易向团队解释每一次改动究其根本究竟改善了什么。

对行业而言，这项工作的启发超出了几何本身。凡是需要把视觉或半结构化输入转换成文本再推理的任务，例如图表问答、电路图理解、工程制图审查，都面临同样的矛盾：信息抽取与信息组织是两件事。GeoReform 提示我们，把中间表示当作一等公民来优化，可能比一味放大模型更划算。对工程团队来说，一个现实的做法是，把失败样本系统地沉淀下来，用它们反向修正输入表示，而不只是修提示词。这是一条成本较低、可审计、也便于迭代的路径，值得在今天的技术雷达上占一个位置。