這項由中國科學院大學、上海人工智能實驗室和中國石油大學（北京）聯合開展的研究發表于2026年5月的arXiv預印本平臺，論文編號為arXiv:2605.15963v1，對應的研究成果包括一個名為PAGER的AI系統和一套名為PAGE Bench的測試基準。有興趣深入探究的讀者可以通過這個編號在arXiv網站上找到完整論文。

回想一下你上中學時做幾何題的場景。老師在黑板上畫一個三角形，標上A、B、C三個頂點，然后讓你用圓規和直尺，根據題目要求畫出垂直平分線、內切圓或者外接圓。這個過程看似簡單，但每一步都必須精準——鉛筆尖落下的位置稍微偏一點點，整張圖就全錯了。因為后續畫的每一條線、每一個圓，都依賴于前面那些點的精確位置。

那么問題來了：如今的AI已經能寫詩、畫畫、寫代碼，甚至能幫你訂機票、訂外賣，但它能像中學生一樣，拿著鼠標在電腦上精確地畫出一道幾何題嗎？這聽起來好像不難——畢竟AI連復雜的圖像都能生成，畫幾條線還能難倒它？但研究團隊發現，答案出乎意料地令人沮喪：即使是目前最強大的AI模型，比如GPT-5.4、Claude-Sonnet-4.6、Gemini-3.1-Pro，在這種看似簡單的任務上的成功率竟然連6%都不到。

一、 當AI遇上幾何作圖，問題出在哪里

要理解這項研究的意義，得先明白一件事：AI操作電腦這件事，其實已經發展得相當成熟了。現在的AI助手能幫你點擊按鈕、填寫表格、瀏覽網頁、打開應用程序。這種能力被研究者稱為"GUI智能體"，簡單說就是能操控圖形界面的AI。

但研究團隊敏銳地指出了一個被大家忽視的問題。當AI點擊一個網頁上的"提交"按鈕時，它其實并不需要精確地點到那個按鈕的某個具體像素——按鈕覆蓋的整個區域，比如說2000個像素的范圍，隨便點哪里都算成功。這就好比你要按電梯按鈕，手指碰到按鈕的任何位置都能讓電梯響應，誤差范圍相當寬容。研究者管這叫"區域容忍"的交互方式。

可幾何作圖完全不一樣。當你要在畫布上標記三角形的一個頂點時，那個點必須落在一個非常精確的位置——研究中規定的容差僅為3個像素。這就像讓你用繡花針穿過一根頭發絲的孔，根本不存在"差不多就行"的概念。更要命的是，幾何作圖存在一種叫做"依賴性"的特性：如果你畫錯了第一個點，那么所有以這個點為基礎畫出的線、圓、多邊形，全都會跟著錯位。一個小小的偏差，會像多米諾骨牌一樣，讓整個圖形徹底崩塌。

研究團隊給這種新型挑戰起了一個名字，叫做"精度敏感型GUI任務"。這類任務要求AI不僅要理解該做什么，還要在連續的畫布空間中做到點級別的精確操作，并且要能處理那種"一步錯、步步錯"的連鎖反應。

二、 一個戳破皇帝新衣的實驗

研究團隊做了一件特別有意思的事情。他們讓目前業界最頂尖的AI模型來挑戰幾何作圖任務，結果發現了一個相當尷尬的現象，他們稱之為"語義-執行鴻溝"。

什么意思呢？以Claude-Sonnet-4.6為例，它在判斷"該執行什么類型的操作"上準確率高達95.85%，幾乎完美。換句話說，AI完全知道"現在應該畫一條線段"或者"現在應該畫一個圓"。但當真正要把這條線段畫到正確位置上時，整個任務的成功率卻跌到了1.11%。GPT-5.4也類似——它知道該做什么的準確率是88.04%，但實際完成整道題的成功率只有0.56%。

打個比方，這就好比一位廚師非常清楚做紅燒肉需要先切肉、再焯水、然后炒糖色、最后燉煮——每個步驟他都能準確說出來。但當真正下廚時，他切的肉塊大小不一、糖色炒糊、火候掌握不準，最后端出來的菜根本不是紅燒肉。AI在幾何作圖上的表現就是這樣：它有完美的"理論知識"，卻缺乏精確的"動手能力"。

這個發現戳破了一個被很多人忽視的真相：現有的AI智能體之所以看起來無所不能，是因為它們工作的場景對精度要求不高。一旦面對真正需要精確操作的任務，它們就立刻露餡了。

三、 一個龐大的"幾何作業本"

要研究這個問題，首先需要一套合適的測試題目。研究團隊為此構建了一個名為PAGE Bench的測試基準，可以把它理解為一本超級詳細的"AI幾何作業本"。

這本作業本包含4906道幾何題，分為訓練用的4443道和測試用的463道。題目類型一半是選擇題（占41.77%），一半是開放性問題（占58.23%）。研究者特意讓開放性問題占多數，因為這類問題更需要真正去"畫圖"，而不是簡單地選個答案。

但這本作業本最特別的地方不在于題目數量，而在于它記錄了每道題的完整"解題過程"。整個數據集包含53277個高級任務和224497個低級GUI動作。換算下來，平均每道幾何題需要10.86個高級步驟和45.76個具體的鼠標鍵盤操作才能完成。在這些操作中，點擊動作占47.73%，繪制動作占40.31%，輸入文字占11.97%——也就是說，絕大多數操作都是需要精確空間定位的。

這些題目涵蓋了從六年級到高中的各個年級，難度從入門到困難都有覆蓋，其中中等和困難的題目占了94.11%。研究團隊還把題目按照所需技能劃分成了十個類別，包括把自然語言轉換成幾何工具的能力、基礎幾何對象構造能力、坐標系建模能力、幾何關系處理能力、多步規劃能力等等。平均每道題涉及5.16種技能，這意味著大多數題目需要綜合運用多種能力才能解決。

構建這套數據的過程本身就像一個精密的流水線。研究團隊先從公開的中小學多模態幾何資源中收集候選題目，然后用AI模型篩選出那些能在GeoGebra軟件中實際作圖的題目，再經過人工審核排除那些定義不清或無法操作的問題。接著，他們用語言模型把每道題轉化為一個有序的構造任務列表，然后將這些抽象的構造步驟映射成具體的瀏覽器操作——選擇工具、點擊位置、輸入參數。在執行過程中，系統會記錄每一步的截圖、當前任務、之前的操作、執行是否成功、操作日志和下一步動作。對于點擊操作，還會額外保存目標邊界框、點擊范圍和歸一化坐標，為后續的精度分析提供細粒度的空間證據。最后，再用語言模型對比記錄的操作軌跡和最終渲染結果，過濾掉不一致的任務序列、失敗的執行和幾何上無效的構造。

四、 PAGER：一個會精確畫圖的AI

針對前面發現的問題，研究團隊開發了一套名為PAGER的AI系統。這個名字是"精度感知幾何推理"的英文縮寫。整個系統的設計思路相當巧妙，可以用做家具來類比。

假設你要組裝一個宜家書柜。一個新手可能會拿著說明書隨便看幾眼就開始動手，結果不是螺絲擰反了就是板子裝錯了。而一個經驗豐富的師傅會先把所有零件分類擺好，畫一張裝配順序圖，搞清楚哪些步驟必須先做、哪些可以后做，然后再按部就班地組裝。PAGER采用的就是這種"先規劃、后執行"的策略。

系統的第一部分叫做"規劃模塊"。當它接收到一道幾何題時，會先理解題目要求，識別出需要畫哪些幾何元素，分析這些元素之間的依賴關系，然后生成一個有序的子任務列表。比如要畫一個有外接圓的三角形，規劃模塊就會知道必須先畫三個頂點，再連接成三角形，最后才能畫外接圓——順序絕對不能亂。

第二部分是"任務執行模塊"，負責把每個子任務轉換成具體的鼠標鍵盤操作。每一步操作都包含五個要素：對象類型、像素坐標、幾何參數、顏色樣式和標簽位置。比如執行"畫一個點"這個任務時，系統會輸出："選擇'線段'工具；動作：點擊；參數：[0.1711, 0.1764]"。

但僅有這樣的架構還不夠，關鍵在于如何訓練PAGER掌握這種精確操作的能力。研究團隊采用了兩階段的訓練方法。

第一階段叫做"像素級監督微調"。這個階段就像讓學徒跟著老師傅照本宣科地練習。系統拿到完整的標準解題軌跡，學習什么情況下該做什么操作。這一階段能讓AI掌握基本的操作語法和順序，但有個問題：訓練時看到的都是標準答案的截圖，而實際使用時看到的是自己操作產生的截圖。一旦自己操作時出現小偏差，畫面就會和訓練時見過的不一樣，AI就容易越走越偏。

為了解決這個問題，研究團隊引入了第二階段——"精度對齊強化學習"。這就像讓學徒在真實環境中獨立練習，根據實際效果獲得反饋。系統會自己生成一系列操作，然后根據三種獎勵信號來調整：動作類型是否正確、參數精度如何、最終渲染出的幾何圖形是否有效。

具體來說，獎勵機制是這樣工作的。對于每一步操作，如果動作類型對了，就給一個基礎獎勵λa。然后根據參數的準確程度給額外獎勵，使用指數衰減函數——參數越準，獎勵越高。最后，整個圖形的幾何完整性也會被評估，與參考構造對比后給出全局獎勵。這種多層次的獎勵設計，讓AI不僅學會做正確的動作，還要把動作做得足夠精準，并且要保證整體幾何結構的正確性。

五、 實驗結果：一場實力懸殊的比拼

研究團隊讓PAGER和十幾個其他AI模型同臺競技，結果相當令人矚目。

在開源AI模型中，Qwen3-VL-8B（PAGER的基礎模型）的綜合得分只有5.80，DeepSeek-VL2得了7.17，GLM-4.5V得了9.37。這些數字本身就說明了開源模型在精度敏感任務上的薄弱。

閉源的頂級模型表現稍好一些，但也遠未達到實用水平。Claude-Sonnet-4.6得分14.91，GPT-5.4得分14.28，阿里的Qwen3.6-Plus得分19.56，谷歌的Gemini-3.1-Pro得分24.36——這是所有通用AI模型中表現最好的。

而那些專門為GUI操作設計的智能體表現也不盡如人意。UI-TARS綜合得分6.38，OS-ATLAS得分8.24，InfiGUI-R1-3B得分10.66。這些專門訓練過的GUI智能體在精度敏感任務上的步驟成功率都低于9%，最強的GUI智能體也只達到16.18%。

而PAGER的綜合得分達到了29.52，比表現最好的Gemini-3.1-Pro還高出5.15分，提升了21.1%。更驚人的是任務成功率指標——PAGER達到23.78%，是Gemini-3.1-Pro（5.82%）的4.1倍。在步驟成功率上，PAGER達到62.20%，而那些GUI專用智能體最高只有16.18%。

這些數字背后是一個重要的發現：通用AI模型的瓶頸不在于理解操作語義，而在于狀態相關的參數控制和依賴步驟間的誤差累積。換句話說，問題不是AI不知道該做什么，而是它做不準、做不穩。

為了驗證設計的每個部分都有用，研究團隊還做了消融實驗，就是把PAGER的各個組件分別拆掉看看效果。單純的監督微調版本（PAGER-SFT）就已經達到20.47分的綜合得分，說明像素級的過程監督本身就很有效。如果只去掉參數準確性獎勵，性能反而從20.47降到20.07，說明僅靠動作類型正確根本無法保證幾何結構的正確。如果只去掉動作類型獎勵，得分上升到24.52，說明連續空間的精度才是核心。當兩種獎勵都使用時，得分達到29.52，任務成功率從SFT的4.48%飆升到23.78%。這清楚地說明兩種獎勵是互補的——動作類型獎勵穩定語義執行順序，參數準確性獎勵改善點級控制。

六、 一道具體的題目，一場鮮活的較量

光看數字可能不夠直觀，研究團隊還展示了一個具體的案例對比。題目是：矩形ABCD的對角線相交于O點，∠AOB=60°，AB=2，求BC的長度。這道題需要準確放置四個頂點、畫出對角線，并保持邊長、角度和交點的各種約束關系。

正確答案要求畫出一個矩形，四個頂點坐標分別為A(-1.75, 1.0)、B(-1.75, -1.02)、C(1.75, -1.02)、D(1.75, 1.0)，兩條對角線在原點O(0, 0)相交。

PAGER的表現接近完美。它給出的四個頂點坐標分別是A(-1.8, 1.0)、B(-1.88, -1.0)、C(1.8, -1.0)、D(1.8, 1.0)，O(0, 0)。雖然有些微小的數值偏差，但整體構造出了一個幾何上一致的矩形，邊長關系合理，對角線在中心相交。

GPT-5.4的表現就有些尷尬了。它大致捕捉到了題目意圖，但畫出的四邊形明顯變形——頂點坐標分別是A(-2.0, 1.0)、B(-1.71, -0.92)、C(1.41, -1.02)、D(1.75, 1.0)，還莫名其妙地多出了一個E點(1.75, -1.02)。整個圖形不是規整的矩形，而且漏掉了一條關鍵的對角線。

Gemini-3.1-Pro的表現更讓人意外。它的參數偏差更嚴重，早期的頂點錯誤傳播到后續步驟，最終畫出了一些無意義的長線段，完全破壞了矩形結構。它給出的坐標是A(-1.75, 1.0)、B(1.77, -1.02)、C(-7.25, 5.8)、D(-4.99, 1.82)，O(0, 0)——明顯C點和D點已經飛到畫布外去了。

這個案例生動地說明了一件事：精確作圖任務中的失敗往往不是因為AI完全不理解題目，而是因為像素級參數不穩定、約束保持能力弱。即使是頂級AI模型，在嚴格幾何約束下也會出現"參數漂移"的問題。

七、 與人類判斷的一致性

研究團隊還做了一項驗證：他們的自動評分系統是否真的反映了圖形的質量？為此，他們讓人類專家也對各個模型的結果進行評分，然后計算兩種評分之間的相關性。

結果令人欣慰：自動評分和人類評分之間的相關系數高達0.9397，這是一個非常高的相關性。大部分現有的多模態大語言模型，包括GPT-5.4和Gemini-3.1-Pro，都聚集在評分圖的左下角——自動分數低，人類評分也低。而PAGER則獨占右上角——自動分數高，人類評分也優異。

這個高相關性說明，PAGE Bench測量的是真實的幾何有效性，而不是某種代理信號。換句話說，AI在這個基準上表現好，確實意味著它畫出的圖形在人類看來也是合格的。

八、 這項研究告訴了我們什么

回過頭來看，這項研究最重要的貢獻其實有三個層面。

首先，它揭示了AI能力評估中一個被忽視的盲點。多年來，我們一直用各種基準測試來評估AI的能力，得出了AI"接近人類水平"甚至"超越人類"的各種結論。但這項研究表明，當任務從"區域容忍"轉向"點級精確"時，即使最強的AI模型也會立刻露出馬腳。這提醒我們，AI的能力評估必須考慮任務的精度要求，不能一概而論。

其次，它提供了一個新的研究方向。研究團隊提出的"精度敏感型GUI任務"概念，揭示了當前GUI智能體研究中的一個重要缺口。未來要讓AI真正成為可靠的數字助手，特別是在CAD設計、圖表編輯、科學可視化等需要精確操作的領域，這條研究路線不可或缺。

最后，它展示了一種解決方案。PAGER通過依賴結構化規劃、像素級執行、像素級監督微調和精度對齊強化學習的組合，證明了即使是規模相對較小的8B參數模型，在專門設計的訓練方法下，也能在精度敏感任務上超越規模大得多的通用模型。這對于資源有限的研究者和開發者來說是一個好消息。

研究團隊也坦承了局限性。這項工作主要聚焦于GeoGebra風格的平面幾何作圖，對于其他精度敏感的界面，比如CAD軟件、專業繪圖工具、科學可視化平臺等，可能需要額外的動作語法、環境適配器和有效性規則。但他們也指出，將相同的原則擴展到更廣泛的領域是一個自然的研究方向。

說到底，這項研究讓我們重新認識到一件事：AI的能力并不像我們以為的那樣均衡。它在某些方面已經超越人類，但在另一些看似簡單的任務上卻依然力不從心。讓計算機像中學生一樣精確地畫一道幾何題，聽起來微不足道，卻揭示了人工智能發展中的一個真實挑戰。當AI能夠穩定地完成這類需要精確空間控制的任務時，它才能真正勝任那些專業領域的工作——從工程設計到醫學影像，從科學實驗到藝術創作。

下次當你用電腦畫圖、設計或做幾何作業時，不妨想想：如果讓AI替你做這件事，它真的能做得比你好嗎？這個問題的答案，可能比你想象的更復雜。如果你對這項研究感興趣，可以通過arXiv編號arXiv:2605.15963v1查閱完整論文，里面還有許多本文未能詳盡展開的技術細節和實驗數據。

Q&A

Q1：PAGE Bench測試的是什么類型的AI能力？

A：PAGE Bench測試的是AI在精度敏感型GUI任務上的能力，特別是幾何作圖。它包含4906道幾何題、53277個高級任務和224497個低級GUI動作，要求AI在GeoGebra畫布上精確地畫出點、線、圓、多邊形等幾何元素，容差僅為3像素。這與傳統GUI測試不同，因為傳統測試只要求AI點擊到正確的按鈕區域即可，而幾何作圖需要點級別的精確操作。

Q2：為什么GPT-5.4、Claude等頂級AI模型在幾何作圖上表現這么差？

A：研究發現了一個叫做"語義-執行鴻溝"的現象。這些頂級AI模型能準確判斷該執行什么操作（Claude-Sonnet-4.6動作類型準確率達95.85%），但實際把操作做精確的能力很弱（任務成功率僅1.11%）。問題不在于AI不理解題目，而在于它無法在連續畫布空間中保持精確參數控制，加上幾何作圖存在依賴性，早期的小偏差會像多米諾骨牌一樣傳播到后續步驟，最終導致整個圖形崩塌。

Q3：PAGER是怎么解決精確作圖問題的？

A：PAGER采用"先規劃、后執行"的兩層架構。規劃模塊先分析題目的幾何依賴關系，生成有序的子任務列表；執行模塊再將每個子任務轉換為具體的鼠標鍵盤操作。訓練上采用兩階段策略：先用像素級監督微調讓AI掌握基本操作語法，再用精度對齊強化學習讓AI在實際操作中獲得反饋。獎勵機制同時考慮動作類型正確性、參數精度和最終幾何有效性。最終PAGER的任務成功率達到23.78%，是最強通用AI模型的4.1倍。