تعتبر عملية التنبؤ بالنظريات الهندسية (Geometry Theorem Prediction) من التحديات الرئيسية في مجال حل المشكلات الهندسية. على الرغم من أن الأساليب الحالية تعتمد بشكل كبير على النماذج المعتمدة على المعلمات (Parametric Models)، فإن لها حدودًا في التكيف مع تطور مكتبات النظريات.

في محاولة لتجاوز هذه القيود، تم تقديم نهج جديد يعتمد على التعلم في السياق (In-Context Learning - ICL)، والذي لا يتطلب تدريبًا مسبقًا للنماذج. ومع ذلك، تم تحديد عائق كبير يسمى "الانجراف الهيكلي" (Structural Drift)، حيث تنخفض فعالية ICL بشكل حاد مع زيادة عمق الاستدلال، مما يؤدي إلى نتائج ضعيفة في كثير من الأحيان.

تعود هذه المشكلة إلى عدم قدرة النماذج اللغوية الكبيرة (Large Language Models - LLMs) على استعادة العلاقات الطوبولوجية الكامنة، مما يعيق استكشافاتها. لمواجهة هذه المشكلة، اقترح الباحثون إنشاء "رسوم بيانية لتسلسل النظريات" (Theorem Precedence Graphs) التي تعكس الاعتماد الزمني من مسارات الحلول التاريخية على شكل رسوم بيانية موجهة. تساهم هذه الرسوم البيانية في فرض قيود طوبولوجية واضحة، مما يساعد في تقليص فضاء البحث أثناء عملية الاستدلال.

بالإضافة إلى ذلك، يتم دمج بناء الرسوم البيانية المعززة بالاسترجاع (Retrieval-Augmented Graph Construction) مع مُنفذ رمزي تدريجي، مما يمكّن النماذج اللغوية الكبيرة من العمل كمنظمين هيكليين دون الحاجة إلى تحسين يعتمد على التدرجات. أظهرت التجارب على معيار FormalGeo7k أن هذه الطريقة حققت دقة بلغت 89.29%، متفوقة بشكل كبير على المعايير السابقة، مما يؤشر إلى أن توفير قيود هيكلية واضحة يمثل مسارًا واعدًا لتوسيع قدرات الاستدلال الرمزي للنماذج اللغوية.