全球首个IMO（国际数学奥林匹克）金牌AI诞生！了解背后的公式识别提取技术
在刚刚结束的2025年国际数学奥林匹克（IMO）中，AI大模型领域迎来里程碑式突破：
Google DeepMind 推出的 Gemini Deep Think 模型通过对 6 道高难度数学题的自然语言理解与解答，获得与人类金牌同级的 35 分成就，得到了 IMO 主办方的正式批阅认证。与此同时，OpenAI 的实验性模型在相同考试条件下（无网络、4.5 小时限时、自然语言回答），也取得了金牌级别的成绩。
大模型在极端逻辑推理任务中的成功不仅令业界瞩目，更暗示了一个核心逻辑：若要让机器理解数学，它必须先读懂公式——即从图像或版面中精准提取数学表达并重建其结构，进而才能进行符号级别的语义推理与调用。换而言之，公式提取识别能力影响大模型在教育、知识库、科研语义检索等落地场景中的表现。
01 | 公式识别提取的应用场景及价值
教育与教评：作业/试卷的公式提取识别后，结合规则与模型对“符号误用/优先级错误”做细项定位，支持批量电子化与错因分析反馈。
学术与检索：论文公式结构化为 LaTeX/MathML 后建立“公式‑主题‑文献”三维索引，实现“以式搜文”，显著缩短检索与整理时间。
企业知识库与 RAG：技术白皮书、专利与说明书的公式提取识别可提升问答召回的可解释性，减少“只看文字不懂结构”的幻觉风险。
02 | 识别复杂公式，有哪些步骤？
要把公式提取识别真正用起来，关键的技术步骤通常包含：
1）版面级定位：对文档进行版面理解，区分正文、表格、图形与公式，适配内联/显示式、跨页断裂与密集符号。常用思路为目标检测+实例分割（如两阶段检测器与特征金字塔），以在复杂背景中稳定提取公式区域。
2）表达式识别：通过视觉编码器（CNN/ViT/Swin）与序列/树结构解码器（RNN/Transformer/Tree‑Decoder），将公式图像转为结构化表达。实践中需兼顾上下文全局关系与细粒度符号差异。
3）结构还原与规范化：对分数、上下标、根式、矩阵等进行层级树还原，并做语法规范化（如空格、等价记号、命令别名统一），以便于检索、比对与去重。
03 | TextIn公式提取识别的技术方案
在实际的公式提取识别中，数学表达式往往呈现树状结构：符号之间存在多级嵌套、上下标、矩阵、分式等复杂关系。传统做法通常使用序列解码器或树解码器，以深度优先的顺序逐一识别符号及其关系。然而，这种方式在结构复杂的公式上会导致解码步骤冗长，不仅增加计算开销，还可能累积识别误差。
针对这些瓶颈，TextIn 技术团队提出了基于树结构的 HMER（Hybrid Mathematical Expression Recognition）模型，并引入分支并行解码（Branch-Parallel Decoding）机制。该方法通过显式预测符号之间的关系，直接解析公式树结构，将原本串行的长路径拆分为多个可并行处理的分支，大幅缩短了解码时间，同时减少长序列注意力带来的性能下降。
核心创新点
分支并行解码：将公式树的不同分支同时解码，减少长链路依赖，提升速度与稳定性。
查询构造模块（Query Construction）：为每个分支动态生成上下文查询向量，引导模型精准聚焦关键符号与结构关系。
结构感知解析：在检测阶段结合版面信息与符号分布，对跨页断裂、内联公式、密集布局等场景实现结构还原。
对于希望建设高质量知识库与检索能力的企业而言，将公式提取识别纳入文档智能底座，已经是提升检索准确率、推理稳定性与工程可维护性的必选项。TextIn 在这一方向提供了从检测、识别到结构还原与质检的一体化方案，既贴合最新研究范式，又面向大规模生产环境优化。
