GeoReform：讓「形式化」本身進化，多模態幾何解題的新路徑

多模態大模型在幾何題上長期吃力，原因並不神秘：題目的關鍵資訊藏在圖裡，哪條線垂直，哪個角相等，哪段弧屬於哪個圓，模型常常看不準，更談不上正確使用。近年的主流辦法，是先把圖中的幾何實體、關係和約束翻譯成顯式文字，再讓模型在文字上推理。這個思路直觀，也確實有效。但 2026 年 10 月 8 日釋出的論文 GeoReform（arXiv 2610.12391，作者包括 Jialu Wang、Ruichen Zhang、Xiaoou Liu、Hua Wei 與 Tianlong Chen）提出了一個更尖銳的問題：翻譯得好不好，本身就是難題。 論文給出了一組很有說服力的數字。在 Geometry3K 的 200 個樣本上，結構注入修復了 28 個原本答錯的題目，卻同時讓 13 道原本答對的題目變成了錯誤。淨收益是正的，但代價同樣真實。作者對原因的歸納很樸素：冗餘的關係會分散模型的注意力，而對圖中元素的指代含糊，會讓模型把約束套在錯誤的物件上。換句話說，瓶頸不在於抽取出更多幾何事實，而在於把這些事實組織成一種便於下游推理的表示。多給資訊，並不等於給對資訊。 基於這一判斷，GeoReform 把形式化從「固定的解析器輸出」改成「可以最佳化的策略」。它的流程可以概括為一個閉環。系統先用當前的形式化策略跑完整條推理流水線，然後收集失敗的推演軌跡，接著診斷當前表示裡的缺陷，最後對策略做變異，讓它更好地選擇、落地、分組和呈現幾何實體、關係、約束與求解目標。這四個動詞值得細看：選擇決定哪些事實該留下，落地解決指代是否清楚，分組決定事實之間的結構，呈現則關係到文字的排布方式。每一步都對應論文所說的一類表示缺陷。

這種設計的關鍵，在於最佳化訊號來自端到端的結果，而不是形式化本身的「看起來對不對」。傳統解析器追求的是忠實還原影象，但忠實不等於有用。GeoReform 讓失敗的推理告訴系統：哪種表示會把模型帶偏。這與近年反思式、進化式的提示與策略最佳化思路一脈相承，把「出錯後覆盤」變成了系統的一部分。需要說明的是，論文摘要並未披露變異的具體運算元、搜尋預算或各個元件的消融資料，這些細節要讀正文才能判斷，我們在這裡不做推測。 從結果看，這條路線對小模型尤其友好。在 Geometry3K 上，Qwen3VL-2B 的準確率從 42.0% 提高到 56.0%，提升 14 個百分點。一個只有 20 億引數量級的模型，靠更好的表示就拿到如此幅度的增益，說明相當一部分錯誤並非「不會推理」，而是「看到的題目被表示壞了」。作者還在多個幾何推理基準上做了廣泛實驗與分析，結論是：有效的形式化對多模態幾何推理至關重要。當然，單一資料集上的單一模型結果不能直接外推，是否在更大模型、更多基準上保持同樣幅度的收益，仍需獨立復現。

再往深處看，這篇論文還觸及一個常被忽視的評估問題：如何判斷一種形式化是「好」的。傳統做法是拿它和人工標註的幾何描述對比，看抽取得全不全、準不準。GeoReform 的數字卻說明，這種靜態指標和最終解題表現之間有缺口。結構注入在 200 個樣本里既救回了題，也毀掉了題，說明同一份看似完整的描述，對不同題目的影響方向並不一致。因此，衡量形式化的合理標準，應當是它在下游推理中的淨貢獻，包括它引入的新錯誤。這與軟體工程裡「看覆蓋率不如看回歸」的經驗相通：新增的資訊若會破壞原本正確的行為，就不能算純收益。 還有一點值得工程團隊留意。把形式化當作策略來演化，意味著系統需要穩定的失敗樣本、可重複的評測流程，以及能把失敗原因歸到具體表示缺陷上的診斷環節。後者最難，因為同一個錯誤答案可能源於遺漏了關鍵關係，也可能源於保留了過多無關關係，或者指代含糊。論文用「選擇、落地、分組、呈現」四個維度來組織這些缺陷，給出了一套實用的分類語言。即便不復現整套框架，團隊也可以借用這套語言，去審視自己現有的視覺轉文字流程，逐項檢查哪一環最容易出問題。這樣的做法門檻低，卻能把模糊的「效果不好」變成可以逐項修復的具體清單。這比盲目堆疊更多提示詞、更多抽取模組要踏實得多，也更容易向團隊解釋每一次改動究其根本究竟改善了什麼。

對行業而言，這項工作的啟發超出了幾何本身。凡是需要把視覺或半結構化輸入轉換成文字再推理的任務，例如圖表問答、電路圖理解、工程製圖審查，都面臨同樣的矛盾：資訊抽取與資訊組織是兩件事。GeoReform 提示我們，把中間表示當作一等公民來最佳化，可能比一味放大模型更划算。對工程團隊來說，一個現實的做法是，把失敗樣本系統地沉澱下來，用它們反向修正輸入表示，而不只是修提示詞。這是一條成本較低、可審計、也便於迭代的路徑，值得在今天的技術雷達上佔一個位置。