人工智能领域长期面临空间理解能力的瓶颈，即便最先进的多模态大模型也常在基础空间任务上出错。华中科技大学连世杰、吴长提团队联合多家研究机构，通过让AI系统学习几何知识，成功突破了这一技术壁垒。该研究成果以预印本形式发表于arXiv平台（编号arXiv:2509.24473v2），揭示了几何训练对空间智能提升的显著效果。
研究团队构建的Euclid30K数据集包含近3万个几何问题，涵盖平面几何与立体几何两大领域。数据收集过程中，研究人员发现现有数据集存在严重失衡：立体几何题目仅占现有资源的23%。为此，他们从Geometry3K、MMK12等开源库筛选优质题目，同时新增4500个立体几何问题，重点补充空间关系判断、动态运动分析等复杂题型。经过三阶段质量控制，包括图像去重、问题拆解和格式标准化，最终形成覆盖初中到高中全课程体系的数据集。
几何训练的核心价值在于其系统性。研究团队将几何问题视为空间规律的"训练场"，通过GRPO强化学习框架，让AI模型在解题过程中掌握形状识别、空间推理和数值计算等综合能力。实验数据显示，经过几何训练的RoboBrain2.0-7B模型在VSI-Bench测试中准确率达49.6%，超越此前48.4%的最佳纪录。更值得注意的是，该模型仅使用3万条几何数据就达到这一水平，而同期对比模型使用了12万条专用空间数据。
在Super-CLEVR测试中，几何训练展现惊人效果。Qwen2.5VL-7B模型的准确率从76.1%跃升至86.2%，RoboBrain2.0-7B的提升幅度更达37.8个百分点。这种跨越式进步源于几何知识的强迁移性——模型学会的平行判断、比例计算等基础技能，可直接应用于现实场景中的物体定位和空间关系分析。研究团队特别指出，立体几何训练对三维空间理解的提升尤为显著，在Omni3D-Bench测试中，相关模型的空间定位准确率提升2.8个百分点。
技术实现层面，研究团队采用多项创新设计。奖励函数针对不同题型定制评判标准：数学表达式答案通过MathVerify工具进行符号等价验证，数值答案则设置1%的严格误差容忍度。训练过程中，每个问题生成8个候选答案，通过组内比较优化解题策略。这种设计使模型既能掌握数学本质，又能适应不同表达形式。硬件配置上，64块NVIDIA H100 GPU组成的计算集群，为大规模强化学习提供算力支持。
实际应用场景中，几何训练提升的空间智能已展现多重价值。在机器人导航领域，经过训练的模型能更精准判断物体间距和运动轨迹；医疗影像分析方面，AI对器官尺寸的测量误差显著降低；自动驾驶系统则获得更可靠的空间关系判断能力。研究团队强调，这种基础能力训练具有高通用性，相比为每个应用单独收集数据，几何训练方案可降低60%以上的开发成本。
对比实验进一步验证了几何训练的独特优势。使用CLEVR-CoGenT数据集训练的模型虽也有提升，但效果局限于特定任务类型。几何训练的优势在于其覆盖空间智能的核心要素，包括形状识别准确率提升12%、空间关系判断一致性提高18%、数值计算精确度改进9%。这些基础能力的提升，使模型在物体计数、距离估算等基础任务上的准确率普遍提高5-8个百分点。
研究也揭示当前方法的局限性。在涉及时间序列的空间任务中，几何训练的效果相对有限，这提示未来需结合时序学习进行能力拓展。对于需要特定领域知识的复杂空间分析，几何基础训练仍需补充专业数据。尽管如此，该研究为AI空间智能发展开辟了新路径——通过系统化学习基础理论，可高效构建通用空间能力，这种"以简驭繁"的方法论或将成为行业重要方向。
