💬 NLP

GeoMathCode: Understanding Interleaved Math-Code Reasoning for Geometry Problem Solving

تقدم هذه الورقة GeoMathCode، وهو إطار عمل يعزز حل المسائل الهندسية باستخدام الكود البرمجي كمخرجات بصرية وسيطة، كاشفاً أن الضبط الدقيق الخاضع للإشراف يفصل بين الاستدلال وتوليد الكود بينما تلتقط البنى النحوية الهرمية معلومات رياضية أغنى من التمثيلات البصرية.

المؤلفون الأصليون: Yingji Zhang, Yong Dai, André Freitas

نُشر 2026-05-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Yingji Zhang, Yong Dai, André Freitas

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول حل لغز هندسي معقد، مثل معرفة كيفية تفاعل خطين منحنيين على رسم بياني. عادةً، عندما يحاول الكمبيوتر حل هذا، قد "يفكر" بالكلمات فقط أو يحاول رسم صورة بكسل تلو الآخر. لكن هذه الورقة البحثية تقدم طريقة جديدة لتفكير الكمبيوتر: GeoMathCode.

إليك تفصيل ما قام به الباحثون، باستخدام تشبيهات بسيطة:

١. المشكلة: الرسم بالبكسلات مقابل كتابة التعليمات

تخيل أنك تريد تعليم روبوت كيف يرسم دائرة مثالية.

الطريقة القديمة (القائمة على البكسل): تخبر الروبوت، "لوّن هذه النقطة المحددة باللون الأحمر، ثم هذه، ثم تلك..." الأمر يشبه محاولة رسم لوحة فنية عبر إخبار شخص ما بالضبط ما هي كل ضربة فرشاة في كل ثانية. إنه أمر فوضوي، ويصعب التحقق من الأخطاء، وإذا ارتكب الروبوت خطأً واحداً صغيراً، ستبدو الصورة بأكملها خاطئة.
الطريقة الجديدة (GeoMathCode): بدلاً من طلاء النقاط، تعطي الروبوت مجموعة من التعليمات (الكود). تقول له، "ارسم دائرة بنصف قطر قدره ٥". الروبوت يكتب برنامجاً قصيراً للقيام بذلك. هذا يشبه إعطاء وصفة طعام بدلاً من لوحة مرسومة. إنه دقيق، وسهل التحقق منه (هل اشتغل الكود؟)، وإذا حدث خطأ ما، يمكنك معرفة أين أخطأت الوصفة بالضبط.

لقد بنى الباحثون مكتبة ضخمة من المسائل الرياضية حيث لا يكون "الحل" مجرد إجابة نهائية، بل مزيج من الكلمات (شرح المنطق) والكود (التعليمات لرسم الشكل).

٢. الاكتشاف الكبير: غرفتان مختلفتان في "الدماغ"

الجزء الأكثر إثارة للاهتمام في الورقة هو ما وجدوه داخل "دماغ" الكمبيوتر (مساحة الذاكرة الداخلية) أثناء حله لهذه المسائل.

لقد اكتشفوا أن الكمبيوتر لديه "غرفتان" منفصلتان للتفكير:

الغرفة أ (غرفة المنطق): هنا يكتشف الكمبيوتر القواعد الرياضية (على سبيل المثال: "بما أن المنحنى ينفتح للأسفل، فإن القيم تزداد كلما تحركنا لليسار").
الغرفة ب (غرفة الرسم): هنا يكتب الكمبيوتر الكود لرسم الخطوط فعلياً.

التشبيه: تخيل طباخاً يعد وجبة معقدة.

في الغرفة أ، يفكر الطباخ: "أحتاج إلى تشويح البصل أولاً، ثم إضافة التوابل". (هذا هو الاستنتاج/التفكير).
في الغرفة ب، يقوم الطباخ بتقطيع الخضروات وتشغيل الموقد فعلياً. (هذا هو تنفيذ الكود).

وجدت الورقة أن هذين النشاطين يحدثان في أجزاء مختلفة تماماً من دماغ الكمبيوتر. إنهما لا يختلطان. الكمبيوتر لا يستخدم جزء "الرسم" لمساعدته في "التفكير" في الرياضيات؛ بل يستخدم جزء "التفكير" ليقرر ماذا سيرسم، ثم ينتقل إلى جزء "الرسم" لتنفيذ الخطة.

٣. تأثير "التدريب": تنظيم الفوضى

اختبر الباحثون أيضاً ما يحدث عندما "يدربون" الكمبيوتر (عملية تسمى الضبط الدقيق تحت الإشراف أو SFT) باستخدام مكتبتهم الجديدة من المسائل.

قبل التدريب: كان "تفكير" الكمبيوتر فوضوياً بعض الشيء. كان الأمر أشبه بمكتبة حيث الكتب ملقاة على الأرض في كومة. كان لديه الكثير من المعلومات، لكنها كانت فوضوية ويصعب التنقل فيها.
بعد التدريب: أصبح "تفكير" الكمبيوتر أشبه بـ مكتبة منظمة جيداً. الكتب (الأفكاف) لا تزال موجودة، لكنها الآن مرتبة في صفوف أنيقة. لم يصبح الكمبيوتر "أذكى" بمجرد إضافة المزيد من الكتب؛ بل أصبح أذكى من خلال تنظيم الكتب التي يمتلكها بالفعل. هذا جعل مسارات استنتاجه أكثر وضوحاً وهيكلية.

٤. الكود أفضل في فهم "الرموز الرياضية" من الصور

أخيراً، قارنوا بين فهم الكمبيوتر للرموز الرياضية (مثل $\sqrt{}$ للجذر التربيعي أو $\pi$ لـ ط/باي) عندما استخدم الكود مقابل استخدامه للصور.

النتيجة: فهم الكمبيوتر معنى الرموز الرياضية بشكل أفضل بكثير عندما كان يكتب كوداً مقارنة بما لو كان ينظر إلى صورة أو يولدها فقط.
التشبيه: إنه يشبه الفرق بين قراءة نوتة موسية (الكود) والاستماع إلى تسجيل صوتي (الصورة). النوتة تخبرك بالضبط ما هي النوتات وكيف ترتبط ببعضها البعض. أما التسجيل فيبدو جميلاً فحسب. وجد الكمبيوتر أن "النوتة" (الكود) تحمل سر المنطق الرياضي بشكل أفضل بكثير من "التسجيل" (الصورة المرئية).

الملخص

باختصار، تقول هذه الورقة:
١. توقفوا عن جعل الحواسيب ترسم صوراً بكسل تلو الآخر لحل الرياضيات؛ دعوهم يكتبون كوداً بدلاً من ذلك. إنه أكثر نظافة وأسهل في التحقق.
٢. الحواسيب تفصل بين "التفكير" و"الرسم". إنهم يستخدمون مساحات ذهنية مختلفة للمنطق ولتوليد الكود.
٣. التدريب ينظم الدماغ. تعليم الكمبيوتر بهذه الطريقة لا يضيف حقائق فحسب، بل يرتب عملية تفكيره في هيكل واضح وفعال.
٤. الكود هو المترجم الأفضل. عندما يتعلق الأمر بفهم الرموز الرياضية المعقدة، فإن كتابة الكود هي أداة أقوى للكمبيوتر من مجرد النظر إلى الصور.

ملخص تقني: GeoMathCode

بيان المشكلة

غالبًا ما يعتمد الاستدلال الرياضي في النماذج اللغوية الكبيرة متعددة الوسائط (MLLMs) على توليد حلول متعددة الخطوات للمسائل الهندسية. وبينما تحاول المنهجيات الحديثة مثل MathCanvas محاكاة التفكير البشري من خلال دمج إنشاءات بصرية مساعدة (مثل رسم الخطوط أو النقاط)، إلا أنها تعتمد عادةً على توليد الصور القائم على البكسل. يحدد المؤلفون عائقين أساسيين في هذا النموذج:

المحاذاة والتحقق: يصعب بطبيعة الحال تحقيق محاذاة وتحقق دقيقين في التوليد عبر الوسائط (من النص إلى الصور القائمة على البكسل)، مما يزيد من احتمالية انتشار الخطأ.
تعقيد النظام: تتطلب النهج القائمة على البكسل غالبًا مولدات إضافية خاصة بالرؤية، مما يؤدي إلى تعقيد بنية النظام.

يفترض البحث أنه بينما تعتبر التمثيلات البرمجية (الكود) دقيقة وقابلة للتحقق، إلا أنه لا يزال من غير الواضح ما إذا كان الاستدلال المتداخل بين الرياضيات والكود يعيد تشكيل الهندسة الكامنة للاستدلال متعدد الوسائط بشكل جوهري أم أنه يعمل مجرد مخرج مساعد. وبشكل أدق، يسعى المؤلفون إلى فهم كيفية تطور مسارات الاستدلال عبر الطبقات، وما إذا كانت تمثيلات الكود الرمزية تلتقط المفاهيم الهندسية بشكل مختلف عن التمثيلات البصرية.

المنهجية

1. بناء مجموعة البيانات: GeoMathCode

قدم المؤلفون GeoMathCode، وهي مجموعة بيانات متعددة الوسائط عامة مصممة للاستدلال المتداخل بين الرياضيات والكود. تتضمن عملية البناء ما يلي:

المصدر: استخدام MathCanvas كمورد أساسي، والذي يغطي ثمانية مجالات رياضية (الجبر، الهندسة التحليلية، التفاضل والتكامل، إل_إل).
التوليد: توظيف Gemini 3-Flash لتوليد حلول متداخلة تحتوي على استدلال نصي، وكود Python قابل للتنفيذ، وتصورات بصرية مقابلة.
التحقق: مسار تحقق آلي متعدد المستويات لضمان الجودة:
- محرك قائم على القواعد (GPT-5.1): يستخرج خطوات الاستدلال الرئيسية ("نقاط الاختيار" - pick-points) والقواعد الرياضية.
- المُدقق (Gemini 3-Pro): يتحقق من صحة الإجابة النهائية، ومنطق الاستدلال النصي، وتنفيذ الكود.
- البيئة المعزولة (Sandbox): تصفية العينات التي تحتوي على أخطاء في تنفيذ الكود، مما يستوجب إعادة التوليد بشكل تكراري.
النطاق: تتكون مجموعة البيانات النهائية من 10,000 عينة تدريب و1,000 عينة اختبار، متوازنة بنسبة 1:1 بين الأسئلة التي تحتوي على رسوم بيانية والتي لا تحتوي عليها.

2. إطار التحليل التجريبي

تقيم الدراسة نماذج MLLM ممثلة (Qwen3/3.5، LLaVA-Next، InternVL3.5) باستخدام كل من الضبط الدقيق للإشراف الكامل (SFT) وتقنية LoRA. يركز التحليل على منظورين:

أداء ما بعد التدريب: تقييم المقاييس بما في ذلك دقة الإجابة (Ans Acc)، وصحة الاستدلال النصي، ودقة الكود، والصحة الرياضية للكود، والاتساق بين النص والكود.
تحليل الهندسة الكامنة: استقصاء فضاء التمثيل الداخلي للنماذج من خلال:
- تحليل المسار: قياس المسافات الإقليدية بين خطوات الاستدلال وخطوات الكود عبر طبقات المحول (Transformer).
- التنظيم المانيفولدي (Manifold Regularization): قياس السعة المعلوماتية والتعقيد الهندسي باستخدام الرتبة الفعالة (ERank) والبعد الجوهري (ID).
- بنية فضاء الكود: تحليل التمثيل الكامن لبنية الكود (تدفق التحكم، استدعاء الدوال، تدفق البيانات) باستخدام KNN وLinear SVM لتقييم التكتل المحلي والقابلية للفصل الخطي العالمي.
- الاستقصاء الرمزي: مقارنة قدرة تضمينات الكود مقابل التضمينات البصرية على التقاط الرموز الرياضية الدقيقة (مثل $\sqrt{}$ ، $\triangle$ ، $\angle$ ).

النتائج الرئيسية

1. الأداء وفك الارتباط

الضبط الدقيق (SFT) يحسن الأداء: يحسن الضبط الدقيق للإشراف الأداء بشكل كبير عبر جميع النماذج. حقق نموذج Qwen3.5-9B-SFT أفضل النتائج الإجمالية (متوسط درجة 0.73)، متفوقًا على النماذج المرجعية ومتغيرات LoRA.
فك الارتباط بين الاستدلال والكود: تكشف تصورات PCA وتحليل المسار أن خطوات الاستدلال وخطوات توليد الكود تشكل فضاءات كامنة مفككة الارتباط (disentangled latent subspaces).
- يعتمد النموذج بشكل أساسي على مسارات الاستدلال النصي للتنبؤ بالإجابة النهائية.
- يعمل توليد الكود الوسيط كتمثيل تنفيذي مساعد بدلاً من كونه وسيط استدلال نشط يوجه الإجابة النهائية مباشرة.
- يشير هذا إلى وجود فصل وظيفي بين الاستدلال الرياضي والتنفيذ البرمجي في الفضاء الكامن.

2. التنظيم المانيفولدي عبر SFT

الاستدلال المهيكل: يزيد SFT من الرتبة الفعالة (ERank) لتمثيلات الاستدلال (مما يشير إلى تنوع معلوماتي أغنى) بينما يقلل في الوقت نفسه من البعد الجوهري (ID) (مما يشير إلى تعقيد هندسي محلي أقل).
التفسير: يشير هذا إلى أن SFT لا يقوم بمجرد ضغط التمثيلات، بل يعيد تنظيم مسارات الاستدلال إلى مسارات حوسبية أكثر هيكلية، ومعيارية، وقابلة لإعادة الاستخدام، موازنًا بين التنوع المعلوماتي والانتظام الهندسي.

3. فضاء الكود الهرمي

الفضاءات الفرعية النحوية: تظهر الهياكل النحوية الهرمية (مثل تدفق التحكم، استدعاء الدوال) كفضاءات كامنة مهيكلة.
ديناميكيات التجريد: بينما تظل الفئات الدلالية عالية المستوى محفوظة، تصبح التكتلات المعجمية الدقيقة مختلطة في الطبقات الأعمق. يعيد النموذج تنظيم واجهات برمجة التطبيقات (APIs) في "مانيفولدات" دلالية تنفيذية مشتركة بناءً على الأدوار الوظيفية.
تفوق الكود على المرئيات: تلتقط تمثيلات الكود الكامنة المفاهيم الرمزية الرياضية الدقيقة (مثل العمليات الهندسية والأشكال) بشكل أكثر فعالية من التمثيلات البصرية، كما يتضح من دقة التصنيف الأعلى في مهام الاستقصاء.

الأهمية والادعاءات

يزعم البحث تقديم مجموعة بيانات جديدة وتحليل منهجي للهيكل الهندسي الكامن الذي يكمن وراء الاستدلال المتداخل بين الرياضيات والكود. تتمثل المساهمات الرئيسية في:

مجموعة البيانات: تقديم GeoMathCode، التي تسهل دراسة المخرجات الوسيطة البرمجية في حل المسائل الهندسية.
رؤى الهندسة الكامنة: إثبات أن خطوات الاستدلال والكود مفككة الارتباط في الفضاء الكامن، مما يتحدى فكرة أن توليد الكود هو وسيط استدلال نشط بنفس طريقة الوسائط البصرية.
تأثيرات SFT: اكتشاف أن SFT ينظم "المانيفولد" الخاص بالاستدلال، مما يجعله أكثر غنى بالمعلومات وأكثر انتظامًا هندسيًا، بدلاً من مجرد زيادة التعقيد.
الكود مقابل المرئيات: الدليل على أن تمثيلات الكود الرمزية تتفوق على التمثيلات البصرية في التقاط المفاهيم الرياضية الدقيقة.

يخلص المؤلفون إلى أن هذه النتائج تحفز الأبحاث المستقبلية في التفسير الآلي (mechanistic interpretability) في النماذج اللغوية الكبيرة، وتحديدًا فيما يتعلق بتنفيذ الكود، وإمكانية استخدام التعلم المعزز القائم على نقاط الاختيار (pick-point-based reinforcement learning) لتحسين موثوقية الاستدلال. كما يقرون بالقيود المتعلقة بالاعتماد على المقيمين القائمين على النماذج اللغوية الكبيرة وانخفاض دقة الإجابة النهائية نسبيًا، مما يشير إلى ضرية وجوب تركيز العمل المستقبلي على التقييم الرمزي الآلي ونهج التعلم المعزز (مثل GRPO وDAPO).