人工智能領域長期面臨空間理解能力的瓶頸，即便最先進的多模態大模型也常在基礎空間任務上出錯。華中科技大學連世杰、吳長提團隊聯合多家研究機構，通過讓AI系統學習幾何知識，成功突破了這一技術壁壘。該研究成果以預印本形式發表于arXiv平臺（編號arXiv:2509.24473v2），揭示了幾何訓練對空間智能提升的顯著效果。

研究團隊構建的Euclid30K數據集包含近3萬個幾何問題，涵蓋平面幾何與立體幾何兩大領域。數據收集過程中，研究人員發現現有數據集存在嚴重失衡：立體幾何題目僅占現有資源的23%。為此，他們從Geometry3K、MMK12等開源庫篩選優質題目，同時新增4500個立體幾何問題，重點補充空間關系判斷、動態運動分析等復雜題型。經過三階段質量控制，包括圖像去重、問題拆解和格式標準化，最終形成覆蓋初中到高中全課程體系的數據集。

幾何訓練的核心價值在于其系統性。研究團隊將幾何問題視為空間規律的"訓練場"，通過GRPO強化學習框架，讓AI模型在解題過程中掌握形狀識別、空間推理和數值計算等綜合能力。實驗數據顯示，經過幾何訓練的RoboBrain2.0-7B模型在VSI-Bench測試中準確率達49.6%，超越此前48.4%的最佳紀錄。更值得注意的是，該模型僅使用3萬條幾何數據就達到這一水平，而同期對比模型使用了12萬條專用空間數據。

在Super-CLEVR測試中，幾何訓練展現驚人效果。Qwen2.5VL-7B模型的準確率從76.1%躍升至86.2%，RoboBrain2.0-7B的提升幅度更達37.8個百分點。這種跨越式進步源于幾何知識的強遷移性——模型學會的平行判斷、比例計算等基礎技能，可直接應用于現實場景中的物體定位和空間關系分析。研究團隊特別指出，立體幾何訓練對三維空間理解的提升尤為顯著，在Omni3D-Bench測試中，相關模型的空間定位準確率提升2.8個百分點。

技術實現層面，研究團隊采用多項創新設計。獎勵函數針對不同題型定制評判標準：數學表達式答案通過MathVerify工具進行符號等價驗證，數值答案則設置1%的嚴格誤差容忍度。訓練過程中，每個問題生成8個候選答案，通過組內比較優化解題策略。這種設計使模型既能掌握數學本質，又能適應不同表達形式。硬件配置上，64塊NVIDIA H100 GPU組成的計算集群，為大規模強化學習提供算力支持。

實際應用場景中，幾何訓練提升的空間智能已展現多重價值。在機器人導航領域，經過訓練的模型能更精準判斷物體間距和運動軌跡；醫療影像分析方面，AI對器官尺寸的測量誤差顯著降低；自動駕駛系統則獲得更可靠的空間關系判斷能力。研究團隊強調，這種基礎能力訓練具有高通用性，相比為每個應用單獨收集數據，幾何訓練方案可降低60%以上的開發成本。

對比實驗進一步驗證了幾何訓練的獨特優勢。使用CLEVR-CoGenT數據集訓練的模型雖也有提升，但效果局限于特定任務類型。幾何訓練的優勢在于其覆蓋空間智能的核心要素，包括形狀識別準確率提升12%、空間關系判斷一致性提高18%、數值計算精確度改進9%。這些基礎能力的提升，使模型在物體計數、距離估算等基礎任務上的準確率普遍提高5-8個百分點。

研究也揭示當前方法的局限性。在涉及時間序列的空間任務中，幾何訓練的效果相對有限，這提示未來需結合時序學習進行能力拓展。對于需要特定領域知識的復雜空間分析，幾何基礎訓練仍需補充專業數據。盡管如此，該研究為AI空間智能發展開辟了新路徑——通過系統化學習基礎理論，可高效構建通用空間能力，這種"以簡馭繁"的方法論或將成為行業重要方向。