当数学教师在黑板上用圆规和直尺绘制出标准正五边形时，这项看似基础的教学操作背后，实则蕴含着严密的几何逻辑推演。中国科学院大学与上海人工智能实验室联合团队近日发布的研究成果，通过构建名为"GGBench"的几何生成推理评估体系，首次系统揭示了当前人工智能在几何构造任务中的真实能力水平。这项发表于国际学术平台的研究显示，即便是最先进的AI模型，在处理复杂几何问题时仍存在显著能力断层。
研究团队开发的评估框架突破了传统AI测试的局限，创新性地将自然语言描述、可执行几何代码与可视化图形输出进行三位一体整合。每个测试案例都包含完整的几何问题表述、GeoGebra编程实现及最终效果图，形成类似人类解题的完整闭环。这种设计使得评估系统能够同时考察AI的理解能力、逻辑推理能力和精确执行能力，解决了现有测试体系只能单维度评估的缺陷。
在针对15个主流AI模型的测试中，研究团队发现视觉生成能力与几何推理精度之间存在显著差异。表现最优的GPT-5模型在综合评分中仅获得57.08分（满分100），尽管其生成的图形在视觉效果上接近完美，但经几何校验后发现存在多处逻辑错误。与之形成对比的是，采用代码生成路径的模型虽然在图像美观度上稍逊，但在几何正确性方面表现突出，这表明显式逻辑约束对提升推理精度具有关键作用。
测试数据揭示出AI几何能力的明显分层特征。在涉及基础几何元素（如直线、圆）的简单任务中，多数模型能保持80%以上的正确率；但当任务复杂度提升至需要多步推理的几何变换时，模型性能出现断崖式下降，最高降幅达40%。特别是在需要递归构造的困难任务中，即便是最优模型也会出现步骤缺失、逻辑跳跃等系统性错误。
对错误案例的深度分析识别出四类典型缺陷：几何定理误用、空间关系混淆、计算目标偏离和形式系统冲突。研究团队特别指出，某模型在构造30度角时错误应用圆周角定理，将顶点置于劣弧导致实际生成150度角，这种看似低级的错误实则暴露了模型对几何原理的浅层理解。更值得关注的是，这类错误在不同模型间呈现高度一致性，暗示当前训练数据可能存在结构性偏差。
评估方法的创新体现在四阶段考核机制：首先检验模型是否具备完整的构造规划能力，其次评估中间步骤的逻辑连贯性，再次验证最终结果的几何正确性，最后进行综合效能评分。这种多维度评估体系通过引入视觉语言模型作为自动裁判，实现了92.95%的评估一致性，显著降低了人工评估成本。研究同时指出，现有评估标准在处理等价构造方案、评估构造优雅性等方面仍存在改进空间。
几何构造任务的特殊性为AI能力评估提供了独特视角。该任务天然融合了自然语言理解、符号逻辑推理、空间操作执行等多重认知维度，其客观可验证的特性使得评估结果具有高可信度。研究团队强调，几何推理能力的发展不应局限于平面几何领域，未来需要向立体几何、非欧几何等更复杂的空间关系拓展，这对模型的空间想象力和约束满足能力提出更高要求。
在应用前景方面，这项研究为AI教育工具开发指明了新方向。测试结果显示，现有AI尚无法替代教师进行复杂几何概念的教学，但可辅助完成基础图形绘制和简单推理演示。研究团队正在探索将几何推理能力与自适应教学系统结合，开发能够根据学生理解水平动态调整教学策略的智能助手。在工程设计领域，具备几何验证能力的AI有望成为自动化设计流程的重要环节。
技术实现层面，研究揭示了多模态模型架构的改进方向。代码生成路径的成功经验表明，引入中间逻辑表示层可有效提升生成精度；分层构造机制的设计思路，为平衡模型规模与推理能力提供了新范式。研究同时指出，现有模型在处理不确定几何约束、优化构造路径等方面仍存在明显不足，这些能力的突破将需要结合符号推理与神经网络的混合架构创新。
该研究构建的GGBench基准数据集包含1411个经过严格验证的几何问题，覆盖从基础作图到高级定理应用的完整难度谱系。研究团队已开放数据集和评估工具，为全球研究者提供标准化测试平台。这项基础性工作不仅推动了AI几何推理能力的量化评估，更为开发具备真正理解能力的通用人工智能提供了重要参考框架。
