DeepVision-103K: Un conjunto de datos matemático visualmente diverso, de amplia cobertura y verificable para el razonamiento multimodal

DeepVision-103K: A Visually Diverse, Broad-Coverage, and Verifiable Mathematical Dataset for Multimodal Reasoning

February 18, 2026

Autores: Haoxiang Sun, Lizhen Xu, Bing Zhao, Wotao Yin, Wei Wang, Boyu Yang, Rui Wang, Hu Wei

cs.AI

Resumen

El Aprendizaje por Refuerzo con Recompensas Verificables (RLVR) ha demostrado ser eficaz para mejorar las capacidades de reflexión visual y razonamiento de los Modelos Multimodales Grandes (LMMs). Sin embargo, los conjuntos de datos existentes se derivan predominantemente de construcciones manuales a pequeña escala o de la recombinación de recursos previos, lo que limita la diversidad y cobertura de los datos, restringiendo así nuevas mejoras en el rendimiento del modelo. Para abordar esto, presentamos DeepVision-103K, un conjunto de datos integral para el entrenamiento de RLVR que abarca diversos temas matemáticos de K12, extensos puntos de conocimiento y ricos elementos visuales. Los modelos entrenados con DeepVision logran un sólido rendimiento en benchmarks matemáticos multimodales y generalizan eficazmente a tareas generales de razonamiento multimodal. Un análisis más profundo revela capacidades mejoradas de percepción visual, reflexión y razonamiento en los modelos entrenados, validando la efectividad de DeepVision para impulsar el razonamiento multimodal. Datos: https://huggingface.co/datasets/skylenage/DeepVision-103K.

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}.