从平面几何出发：形式化验证如何驱动MLLM的推理能力跃迁

在迈向通用人工智能（AGI）的征途中，多模态大语言模型（MLLMs）虽然在视觉理解与文本生成上展现了惊人的能力，却始终面临一道难以逾越的鸿沟：如何 在复杂的数学与几何推理中，克服固有的幻觉与逻辑断层？ 现有的 "结果导向" 训练往往掩盖了推理过程的脆弱性，导致模型常常 "蒙对答案" 却 "想错过程"。这 种 "黑盒" 式的学习方式，使得模型难以习得真正鲁棒的推理能力。 面对这一挑战，来自 上海 交通大学 、 复旦大学、香港 中文大学（深圳）、上海人工智能实验室等研究机构的团队 提出了一套全新的系统化解决方案： "Formal Enhance Informal Reasoning"（以形式化增强非形式化推理）。 该方案的核心洞察在于：利用领域内（In-Domain）极度严谨、可验证的形式化逻辑，可以作为一 种强有力的监督信号，去规范和引导模型在非形式化场景下的推理行为。 更进一步，研究发现这种在严谨数学环境中习得的逻辑素养，不仅仅局限于几何题，更 能作为一把通用的钥匙，解锁模型在通用数学乃至更广泛推理任务上的分布外（OOD）泛化能力。 基于这一理念，团队历经三个阶段的探索，构建了从数据底层到模型顶层的完整闭环： ...