papers.dailyPapers

Les avancées récentes dans les modèles de raisonnement à grande échelle ont suscité un intérêt croissant pour l'extension de ces capacités aux domaines multimodaux. Cependant, malgré des progrès notables dans le raisonnement visuel, le manque de stratégies transparentes et reproductibles pour la curation des données et l'entraînement reste un obstacle majeur à la recherche évolutive. Dans ce travail, nous présentons OpenMMReasoner, une méthode entièrement transparente en deux étapes pour le raisonnement multimodal, couvrant le réglage fin supervisé (SFT) et l'apprentissage par renforcement (RL). Dans l'étape SFT, nous construisons un ensemble de données de démarrage à froid de 874 000 échantillons avec une validation rigoureuse étape par étape, fournissant une base solide pour les capacités de raisonnement. L'étape RL suivante exploite un ensemble de données de 74 000 échantillons couvrant divers domaines pour affiner et stabiliser davantage ces capacités, aboutissant à un processus d'apprentissage plus robuste et efficace. Des évaluations approfondies démontrent que notre méthode d'entraînement dépasse non seulement des bases de référence solides, mais met également en lumière le rôle crucial de la qualité des données et de la conception de l'entraînement dans la performance du raisonnement multimodal. Notamment, notre méthode obtient une amélioration de 11,6 % par rapport à la base de référence Qwen2.5-VL-7B-Instruct sur neuf benchmarks de raisonnement multimodal, établissant une base empirique solide pour les futures recherches à grande échelle sur le raisonnement multimodal. Nous avons rendu publics tous nos codes, pipelines et données sur https://github.com/EvolvingLMMs-Lab/OpenMMReasoner.