DeepVision-103K: Ein visuell vielfältiger, breit abdeckender und verifizierbarer mathematischer Datensatz für multimodales Reasoning
DeepVision-103K: A Visually Diverse, Broad-Coverage, and Verifiable Mathematical Dataset for Multimodal Reasoning
February 18, 2026
papers.authors: Haoxiang Sun, Lizhen Xu, Bing Zhao, Wotao Yin, Wei Wang, Boyu Yang, Rui Wang, Hu Wei
cs.AI
papers.abstract
Reinforcement Learning mit verifizierbaren Belohnungen (RLVR) hat sich als wirksam erwiesen, um die visuelle Reflexions- und Schlussfolgerungsfähigkeiten von großen multimodalen Modellen (LMMs) zu verbessern. Bisherige Datensätze stammen jedoch überwiegend entweder aus kleinskaliger manueller Erstellung oder aus der Rekombination bestehender Ressourcen, was die Datenvielfalt und -abdeckung einschränkt und damit weitere Leistungssteigerungen der Modelle begrenzt. Daher stellen wir DeepVision-103K vor, einen umfassenden Datensatz für das RLVR-Training, der vielfältige mathematische Themen aus dem K12-Bereich, umfangreiche Wissenspunkte und reichhaltige visuelle Elemente abdeckt. Auf DeepVision trainierte Modelle erzielen hohe Leistungen auf multimodalen mathematischen Benchmarks und generalisieren effektiv auf allgemeine multimodale Reasoning-Aufgaben. Weitere Analysen zeigen verbesserte visuelle Wahrnehmungs-, Reflexions- und Schlussfolgerungsfähigkeiten in den trainierten Modellen, was die Wirksamkeit von DeepVision für die Weiterentwicklung des multimodalen Reasonings bestätigt. Daten: https://huggingface.co/datasets/skylenage/DeepVision-103K{diese URL}.
English
Reinforcement Learning with Verifiable Rewards (RLVR) has been shown effective in enhancing the visual reflection and reasoning capabilities of Large Multimodal Models (LMMs). However, existing datasets are predominantly derived from either small-scale manual construction or recombination of prior resources, which limits data diversity and coverage, thereby constraining further gains in model performance. To this end, we introduce DeepVision-103K, a comprehensive dataset for RLVR training that covers diverse K12 mathematical topics, extensive knowledge points, and rich visual elements. Models trained on DeepVision achieve strong performance on multimodal mathematical benchmarks, and generalize effectively to general multimodal reasoning tasks. Further analysis reveals enhanced visual perception, reflection and reasoning capabilities in trained models, validating DeepVision's effectiveness for advancing multimodal reasoning. Data: https://huggingface.co/datasets/skylenage/DeepVision-103K{this url}.