AI 시스템은 교육 콘텐츠 제작을 지원하기 위해 점점 더 많이 사용되고 있지만, 이들이 가르치고자 하는 교육적 개념을 충실하게 나타내는 출력을 생성할 수 있는지는 여전히 불분명합니다. 이에 따라, 우리는 방정식-시각화 생성(equation-to-visual generation)을 소개합니다. 이 작업은 기존의 이미지 생성과 달리, 산수 방정식으로부터 교육적으로 의미 있는 시각 자료를 생성하는 동시에 수치적 및 관계적 구조를 정밀하게 보존할 것을 요구합니다. 교사들과의 인터뷰 및 교육 자료 분석을 바탕으로, 우리는 교육적 근거를 가진 네 가지 시각적 유형을 아우르는 벤치마크인 E2V-Bench를 구축하였으며, 시각적 정확성을 평가하기 위한 자동 지표(automatic metrics)를 함께 개발했습니다. 우리의 평가 결과, 최근의 텍스트-이미지 (T2I) 모델들은 이 작업에서 빈번하게 실패하며, 오류는 주로 잘못된 객체 수(object counts)와 깨진 관계적 구조(broken relational structure)에 집중되어 있음을 확인했습니다. 이를 바탕으로, 우리는 벤치마크 가이드 기반의 향상 전략(benchmark-guided enhancement strategies)을 탐구합니다. 이러한 전략들은 대표적인 모델들을 개선하지만, 남아있는 격차는 향후 T2I 모델에서 더욱 강력한 수치적 및 관계적 접지(numerical and relational grounding)가 필요함을 시사합니다.