유클리드 기하학은 직관적인 도형 이해, 공리적 연역, 대수적 계산의 결합을 요구하므로 AI 추론을 위한 매력적인 시험대이다. 그러나 기존 접근법은 대부분 이러한 능력 중 일부만 다루거나 대회 수준 문제에서 어려움을 겪는다. 우리는 형식 기하 시스템을 대규모 언어 모델(LLM) 및 비전-언어 모델(VLM)과 결합하여, 올림피아드 수준 난이도까지 형식 언어와 자연어 모두에서 계산형 및 증명형 문제를 다루는 통합 신경-기호 프레임워크인 \textit{Euclid-Omni}를 소개한다. 핵심적으로, 우리는 연역적 추론과 대수적 계산을 통해 추론 단계를 자동 생성하는 다재다능한 기호 기하 솔버인 \textit{Euclidea}를 개발한다. 이를 바탕으로 기호 문제와 해를 합성하고, 도형을 렌더링하며, 이를 자연어로 번역하는 데이터 생성 파이프라인을 구축하여, 다양한 추론 설정 전반에 걸친 LLM 및 VLM 학습용 대규모·다양한 데이터셋을 만든다. 실험 결과, 우리의 합성 데이터로 학습한 VLM은 계산 과제에서 우수한 성능을 보였으며, \textit{Euclidea}와 결합한 LLM은 연산량과 학습 데이터를 자릿수 차원에서 훨씬 적게 사용함에도 불구하고 올림피아드 수준 증명 문제에서 최첨단 시스템과 견줄 만한 성능을 달성한다. 코드와 스크립트는 https://github.com/20171130/Euclid-Omni 에서 공개되어 있다.
아폴로 계획이 달에 도달할 수 있었던 것은 단순히 엔지니어들이 어려운 방정식을 풀 수 있었기 때문만이 아닙니다. 아폴로 계획은 아득한 포부를 명시적인 목표, 시뮬레이션, 검증, 그리고 반복적인 수정으로 이루어진 임무 아키텍처로 전환함으로써 성공을 거두었습니다. 인공지능(AI) 또한 이와 유사한 전환기에 직면해 있습니다. 최첨단 프론티어 모델은 문제, 도구, 성공 기준이 구체적으로 주어지면 어려운 과제를 해결할 수 있지만, 중대한 현실 세계의 난제들은 실행 가능하거나 검증 가능한 형태로 주어지는 경우가 거의 없습니다. 본 논문에서는 장기적이고 상태 기반(stateful)이며 검증 가능한 탐구를 수행하는 기반 모델(foundation model), 하네스, 도구, 제어 정책으로 구성된 시스템인 헤비듀티 솔버(heavy-duty solver)를 통해 탐구형 AI를 구축하고 평가하는 프레임워크인 Apodex Discovery를 소개합니다. 이는 세 가지 핵심 구성 요소를 갖추고 있습니다. 첫째, 문제 탐색(problem-scouting) 과정을 통해 16개 부문 전반의 561개 산업을 조사하고, 가치가 높은 현실 세계의 문제 423개를 취합한 후 초기 릴리스를 위해 20개를 선정했습니다. 둘째, 공통의 환경-과제-에피소드 추상화는 데이터, 도구, 제약 조건, 피드백, 궤적 기록, 그리고 중간 산출물과 최종 제출물에 대한 검증을 제공합니다. 셋째, HDS6는 최종 과제 성공 여부와 무관하게 도구(Tools), 복구(Repair), 대안(Alternatives), 일관성(Coherence), 증거(Evidence), 범위(Scope)를 평가합니다. AAV 캡시드 설계에서 Apodex는 생존력(viability), 지향성(tropism), 구조 예측, 생성적 설계 전반에 걸쳐 기존에 발표된 최고 성능(SOTA)을 7% 넘어섰습니다. 신약 재창출 및 재제형화에서 과제 특화된 생물의학 환경은 동일한 클로즈드북(closed-book) 백본 대비 GPT-5.5 및 GPT-5.6-sol의 평균 정규화 예측 점수를 각각 2.5점과 7.6점 향상시켰습니다. 통제된 소거 연구(ablation study)는 고정된 TRACES 에피소드 인터페이스가 성능 차이의 원인을 특정 솔버 구성 요소로 귀인할 수 있게 함을 보여줍니다. Apodex Discovery는 AI 평가를 사전에 정의된 벤치마크를 넘어 진정한 발견을 목표로 하는 검증 가능한 탐구로 확장합니다.