DeepVision-103K: un dataset matematico visivamente diversificato, ad ampia copertura e verificabile per il ragionamento multimodale
DeepVision-103K: A Visually Diverse, Broad-Coverage, and Verifiable Mathematical Dataset for Multimodal Reasoning
February 18, 2026
Autori: Haoxiang Sun, Lizhen Xu, Bing Zhao, Wotao Yin, Wei Wang, Boyu Yang, Rui Wang, Hu Wei
cs.AI
Abstract
L'Apprendimento per Rinforzo con Ricompense Verificabili (RLVR) si è dimostrato efficace nel potenziare le capacità di riflessione visiva e ragionamento dei Modelli Multimodali di Grande Dimensione (LMM). Tuttavia, i dataset esistenti derivano prevalentemente da costruzioni manuali su piccola scala o dalla ricombinazione di risorse pregresse, il che limita la diversità e la copertura dei dati, vincolando così ulteriori miglioramenti nelle prestazioni del modello. A tal fine, presentiamo DeepVision-103K, un dataset completo per l'addestramento RLVR che copre svariati argomenti matematici del percorso scolastico K12, ampie conoscenze disciplinari e ricchi elementi visivi. I modelli addestrati su DeepVision raggiungono prestazioni solide su benchmark matematici multimodali e generalizzano efficacemente a compiti di ragionamento multimodale generici. Ulteriori analisi rivelano capacità potenziate di percezione visiva, riflessione e ragionamento nei modelli addestrati, convalidando l'efficacia di DeepVision per l'avanzamento del ragionamento multimodale. Dati: 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}.