FormalAnalyticGeo：基于神经符号的多模态解析几何问题生成框架

FormalAnalyticGeo是一个基于神经符号的框架，用于自动生成多模态解析几何问题。它通过条件描述语言(CDL)作为中间表示，结合四个专用LLM组件（生成、形式化、测量、质量验证）和符号距离场(SDF)引擎，实现了从问题文本到精确图表渲染的端到端流程。该框架生成了包含超过7000个验证问题的数据集AnalyticGeo7K，每个问题都配有对齐的文本、图表、形式化标注和真实答案。实验表明生成的问题在真实答案的中位相对误差指标上表现良好。

此前解析几何问题生成因缺乏标注数据而进展缓慢，模板方法无法处理约束驱动的布局，生成模型也难以精确渲染标注的圆锥曲线。FormalAnalyticGeo利用形式语言和闭环质量验证，实现了完全自动化的高质量数据集生成，无需任何人工标注，为该领域的研究和教学提供了可扩展的基础数据源。

框架通过CDL形式化中间表示将自由文本问题转换为精确的几何约束，再由SDF引擎渲染成图。四个LLM组件依次执行：生成器创建多样化问题，形式化器转为CDL，测量器从渲染图中提取答案，质量验证器在三阶段检查输出并驱动自动重试，形成无需人工干预的闭环。

该框架可大幅降低数学教育产品中解析几何题目的制作成本与周期。开发者可基于此自动生成带答案和图示的练习题，替代人工出题和绘图，减少对专业教研人员的依赖，同时保证题目质量和几何精度。

• 开发基于FormalAnalyticGeo的自动出题插件，集成到K12数学学习平台，提供无限量的解析几何练习题。
• 利用生成的AnalyticGeo7K数据集训练更强大的数学推理模型，提升AI辅导产品的几何问题理解能力。
• 将框架扩展至其他数学分支（如立体几何、代数曲线），构建多知识点自动出题系统。

• 数据集AnalyticGeo7K是否公开？获取方式与许可协议如何？
• 框架对非标准几何问题（如涉及复杂约束的椭圆与抛物线组合）的生成效果是否稳定？
• LLM组件在实际部署中的延迟和成本是否满足在线教学场景要求？
• 框架能否处理需要数值近似的高阶几何问题（如双曲线与直线相切条件）？