arXiv cs.CL· Jingyao Zhang, Yun Li, Lu Han·· 10 天前AI 评分22
GAGR-Lab：评估联合空间几何与解析函数推理
GAGR-Lab: Evaluating Joint Spatial-Geometric and Analytic Function Reasoning
AI 导读
GAGR-Lab 是一个通过笛卡尔游戏场景、显式函数语义和 Rust 轨迹执行来测量联合空间几何与解析函数推理能力的框架。对 Llama 3.2 11B Vision Instruct 的有限试点运行了 72 个均衡游戏、432 次尝试，无目标命中；特权解析搜索控制在 300 个生成场景的 600 个方向案例上独立成功。框架区分服务可靠性、符号合规与几何成功，完整难度矩阵与多模型对比结果尚未测试。
正文 · AI 翻译
摘要：联合空间几何与解析函数推理要求将感知到的空间构型转化为一个符号函数，使其执行曲线满足几何约束。我们提出 GAGR-Lab，一个通过笛卡尔博弈场景、显式函数语义和权威 Rust 轨迹执行来衡量这一能力的框架。它区分空间感知、度量基础、几何关系、函数解释、函数构造和约束合成。我们指定了四种可配置的场景难度预设和一个前瞻性的 24 单元诊断设计，同时仅报告实际评估的子集。对一个托管模型（Llama 3.2 11B Vision Instruct）使用两个 API 凭证作为执行副本进行的有界试点，产生了 72 个平衡博弈、432 次尝试、429 个有效提供商响应，且无目标命中；探索性普通函数提示变体也未命中，而结构化定位接口未产生可评分输出。一个特权解析搜索对照独立地在来自 300 个生成场景的 600 个方向性案例上成功，具有精确可重复性，并完成了 1,200 次成功的垂直反射或平移检查。该框架将服务可靠性、符号合规性和几何成功区分开来，并保留精确的模型可见输入和实际路径。一个分阶段协议概述了诊断校准、留出复制、多模型比较和配对稳健性测试。贡献是一个具有已执行试点和明确识别的前瞻性研究计划的可操作研究框架；完整难度矩阵和比较模型结果仍未测试。
| 评论： | 15 页，1 幅图，7 张表 |
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL）；计算机视觉与模式识别（cs.CV）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.10201 [cs.AI] |
| （或 arXiv:2610.10201v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.10201 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Yun Li [查看电子邮件]
[v1]
2026 年 10 月 7 日星期三 15:01:54 UTC（75 KB）
来源：arXiv cs.CL · arxiv.org