摘要
针对多模态大模型在几何推理中表示辅助构造的难题，本文提出 LatentGeo 框架。该方法通过学习连续的潜在视觉表示，将辅助几何构造内部化，无需像素级渲染或外部执行器。研究设计了包含辅助视觉监督的三阶段课程，并结合 LatentGeo 感知强化学习（LaGDPO）以稳定策略优化过程中的潜在表示。此外，本文引入了专注于视觉依赖几何问题的新基准 GeoAux。实验表明，该框架在需要辅助构造的几何推理任务上取得了显著性能提升。
AI 推荐理由
论文核心解决多模态几何推理中辅助构造难题，提出潜在空间表示框架以提升推理能力。
研究机构
香港科技大学电子与计算机工程学院（中国广州）
南京大学计算机科学与技术系
论文信息