AutoVSR：以验证为优先的AI框架，连接电路原理图与符号表达式

电路设计中视觉到符号推理的挑战

集成电路无处不在：信号处理、电源管理，应有尽有。工程师使用符号分析来预测电路在构建前的行为。第一步是将原理图图像转换为计算机可处理的形式：传递函数或其他符号表达式。这意味着系统必须从图像中识别元器件及其连接，然后正确执行若干代数步骤。在此之前，这是一项手动工作，且错误频发。

多模态大语言模型为电路任务带来了新的可能，但迄今为止的研究主要集中在恢复网表或优化参数，而非从原理图生成符号表达式。一个名为CircuitSense的系统曾尝试使用思维链提示来实现这一目标，但它无法检查中间结果。错误累积，复杂电路的准确率很低。

AutoVSR：结构化架构与验证反馈

AutoVSR在最近的一篇预印本中描述，并已提交至ICML，它采用了不同的方法。它将问题分为两个阶段。首先，不是要求模型直接从像素推理到代数，而是将原理图重建为一种称为可执行中间表示的形式。对于元器件级电路，这意味着类似SPICE的网表；对于系统级框图，则是JSON结构的信号流图。这不仅仅是文字描述，而是符号求解器可以运行和分析的机器可读对象。

为确保中间表示正确，AutoVSR使用验证反馈循环。任务路由器选择合适的IR类型，视觉模块找到元器件并拉入仅相关的语法规则，排除多余信息。接下来是一个四阶段验证管道：静态语法解析、输入/输出规范检查、动态结构可解性（检查浮空节点或短路源）以及符号量值评估（尝试推导目标表达式）。如果系统发现错误，最多允许三轮修正：将结构化反馈发送回VLM以重新生成IR。这种两阶段检查防止了局部误识别演变为全局推理失败。

规划与执行分离

第二阶段使用计划与执行符号推理智能体。系统将方程构建和计算交给基于Lcapy和SymPy的28个确定性符号API（用于信号流时采用Mason增益公式），而不是让VLM执行多步代数运算（大语言模型并不擅长此道）。LLM将分析目标分解为原子步骤，然后驱动一个动作-观察循环，每次工具调用返回结构化的、可验证的中间结果。20步的硬限制防止了无限循环。

作者在论文中写道：这种解耦至关重要。通过依赖确定性求解器，AutoVSR减少了错误累积，产生了规则一致的推理和透明的中间结果。

基准测试与结果：超越视觉语言模型和专用方法

研究人员在来自CircuitSense的5020个样本过滤基准上测试了AutoVSR，涵盖五种电路类型：纯电阻网络（类型1，1146个样本）、RLC电路（类型2，2671个）、小信号模型（类型3，464个）、模块级电路（类型4，511个）和系统级框图（类型5，228个）。任务是生成正确的传递函数表达式，即符号输出必须等效，由SymPy和数值回退验证。

与七个端到端视觉语言模型（包括Gemini-3-Flash、GPT-5-mini、Claude-Haiku-4.5、Qwen3-VL-Plus、Llama-4-17B-128E和GLM-4.6V-Flash）相比，AutoVSR的整体准确率提升了30至59个百分点。在类型1和类型2的简单电路上，提升尤为显著：各模型平均提升66%和64%。在具有嵌套反馈环路的类型5系统级信号流上，准确率从11.8%跃升至41.7%，提升了近30个百分点。

与唯一的其他专用方法CircuitSense相比，AutoVSR的传递函数生成准确率在各模型上提升了42至52个百分点。在更困难的暂态响应表达式（时域推理）任务上，AutoVSR将Gemini-3-Flash的准确率从3.1%提升至85.8%，将GLM-4.6V-Flash的准确率从1%提升至63.3%。这分别是83和62个百分点的绝对增长。

消融实验与效率：每个模块都至关重要

消融研究证实了每个组件的重要性：任务路由器、元器件检测、规则库、验证流程、规划模块和工具库。移除任何一个模块，性能都会下降。最关键的是工具库：没有它，Gemini-3-Flash的准确率从82.9%降至20.5%。

在100个代表性案例上的实际效率测试表明，使用轻量级后端Gemini-3-Flash的AutoVSR仅使用4563个令牌和17秒运行时间就达到了89.3%的准确率。这优于GPT-5（45.6%准确率，7152个令牌，148秒）和Claude-Sonnet-4.5（26.2%准确率，7033个令牌，89.5秒）等前沿模型。

对AI辅助工程的意义

AutoVSR展示了一条超越黑盒推理、适用于需要正确性和可解释性的技术领域的路径。通过强制引入可验证的中间步骤并将符号计算卸载给确定性工具，该框架将易出错的VLM转变为可靠的推理智能体，即使使用小型开源后端也是如此。该方法在第一阶段是任务无关的：可执行IR提供了一个结构化的表示，求解器可以将其复用于不同的分析目标。

论文承认了一些局限。当前框架仅适用于静态电路拓扑，无法处理动态变化或非线性元件。未来的工作可能会扩展到混合信号电路和更复杂的反馈网络。尽管如此，对于将电路图转换为符号表达式这一狭义但关键的任务，AutoVSR是迈向实用的AI辅助设计的坚实一步。