幾何学AIの推論を検証する新ベンチマーク「GeoVAD」と「GeoWeave-8B」が公開

補助線の描画と活用の因果関係を検証し、幾何学問題の推論力を大幅に高めたAIモデル「GeoWeave-8B」と診断ベンチマーク「GeoVAD-Bench」が発表されました。中間推論の改善幅が最終正解率の向上幅を上回り、AIの論理展開を途中の段階から評価できる基準が整いました。

3行でわかる

• 研究チームが幾何学診断ベンチマーク「GeoVAD-Bench」と新AIモデル「GeoWeave-8B」をarXivで公開しました。
• GeoWeave-8Bはベースモデルと比較して、幾何の最終正解率が25.3%ポイント向上しました。
• 中間診断4次元の平均改善幅は30.4%ポイントに達し、最終正解率の伸びを5.1%ポイント上回る推論改善を記録しました。

Q&A

Q1. 今回発表されたGeoVAD-Benchとはどのようなものですか？

幾何学AIが描く補助線の有効性や因果的寄与を検証する新しい診断ベンチマークです。従来の評価は図表生成の見た目や最終正解率のみを採点していましたが、本ベンチマークは「知覚」「補助の質」「活用度」「演繹推論」「最終正確度」という5つの次元で推論軌跡を診断します。補助線なし（No-Aux）、自動生成（Auto-Aux）、正解補助線（GT-Aux）の3環境を設定して推論のボトルネックを分離します。

Q2. 新開発のAIモデル「GeoWeave-8B」の性能向上はどれくらいですか？

ベースモデルとの比較において、最終的な幾何正解率は25.3%ポイント改善しました。さらに、知覚や補助の質などを測る中間診断4次元の平均改善幅は30.4%ポイントを記録しています。中間過程の改善幅が最終正解率の改善幅を5.1%ポイント（30.4% - 25.3%）上回っており、過程の誤り修正が正解率向上に直結したことを示しています。

Q3. なぜ従来のAI評価方法では問題があったのですか？

補助線が幾何学的に誤っているにもかかわらず偶然正解してしまう「錯覚」を排除できなかったためです。複雑な幾何問題を解くために視覚的思考の連鎖（VCoT）が使われますが、従来の採点では補助線が実際の演繹推論に役立っていたかを測定できませんでした。この盲点は、教育現場や図面設計の実務において致命的な数値エラーを引き起こすリスクとなります。

Q4. GeoWeave-8Bはどのような手法で性能を高めたのですか？

漸進的な教師あり微調整（SFT）とマルチモーダル強化学習（RL）フレームワークを適用して開発されました。幾何学的知覚、図表編集、視覚とテキストが交差する推論軌跡のデータパイプラインを通じて学習が行われています。これにより、視覚的な操作と状態の整合性を高めています。

Q5. 論文の公開日や今後の展開予定はどうなっていますか？

論文は2026年9月11日に初版（v1）、9月14日に改訂版（v2）がarXiv（論文番号：2609.12606）で公開されました。研究陣は今後、複合エラーを緩和するために図表編集や視覚・テキスト推論データの反映を継続し、後続のコード公開やマルチモーダル強化学習の汎用数学ドメインへの拡張を進める計画です。

数字で見る

論文（arXiv: 2609.12606）で示されたGeoWeave-8Bの性能向上指標と諸元は以下の通りです。

まとめ

研究チームは、高精度な補助線ツールが幾何解決に理論的利益をもたらす一方、自律生成には知覚や視覚操作の複合的誤りが伴うと指摘しています。今後は図表編集および視覚・テキスト交差推論データをパイプラインに追加し、コードやオープンソース診断フレームワークの順次公開、マルチモーダル強化学習体系の汎用数学への拡張が検証される見通しです。

出典

1. Beyond Generation and Accuracy: Diagnosing and Enhancing Visual Chain-of-Thought for Geometry Problem Solving — arXiv cs.AI 신규 논문
2. Generation — Wikipedia (en)