定理验证的反向思维链几何推理问题生成
人工智能
2025-06-02 v4 计算机视觉与模式识别
摘要
大型多模态模型（LMM）在几何推理中面临局限性，原因是缺乏足够的思维链（CoT）图文训练数据。现有方法利用基于模板或 LLM 辅助的方法进行几何 CoT 数据创建，但往往在实现多样性和精确性方面面临挑战。为弥补这一差距，我们引入了一个两阶段定理验证的反向思维链推理合成（TR-CoT）框架。第一阶段 TR-Engine 合成基于定理的几何图形，并附带结构化描述和属性。第二阶段 TR-Reasoner 采用反向推理，通过交叉验证几何属性和描述片段来迭代优化问答对。我们的方法扩展了定理类型覆盖范围，纠正了长期存在的误解，并增强了几何推理能力。细粒度的 CoT 提高了定理理解能力，并将逻辑一致性提升了 24.5%。我们的最佳模型在 MathVista 和 GeoQA 上分别比基线高出 10.1% 和 4.7%，优于 GPT-4o 等先进的闭源模型。
引用
@article{arxiv.2410.17885,
title = {Theorem-Validated Reverse Chain-of-Thought Problem Generation for Geometric Reasoning},
author = {Linger Deng and Linghao Zhu and Yuliang Liu and Yu Wang and Qunyi Xie and Jingjing Wu and Gang Zhang and Yingying Zhu and Xiang Bai},
journal= {arXiv preprint arXiv:2410.17885},
year = {2025}
}