DeepVision-103K: Um Conjunto de Dados Matemático Visualmente Diverso, de Ampla Cobertura e Verificável para Raciocínio 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
Resumo
O Aprendizado por Reforço com Recompensas Verificáveis (RLVR) demonstrou ser eficaz na melhoria das capacidades de reflexão visual e raciocínio dos Modelos Multimodais de Grande Escala (LMMs). No entanto, os conjuntos de dados existentes são predominantemente derivados da construção manual em pequena escala ou da recombinação de recursos anteriores, o que limita a diversidade e a abrangência dos dados, restringindo assim ganhos adicionais no desempenho do modelo. Para tanto, introduzimos o DeepVision-103K, um conjunto de dados abrangente para treinamento RLVR que abrange diversos tópicos matemáticos do ensino fundamental e médio (K12), extensos pontos de conhecimento e elementos visuais ricos. Os modelos treinados no DeepVision alcançam um desempenho sólido em benchmarks matemáticos multimodais e generalizam eficazmente para tarefas gerais de raciocínio multimodal. Uma análise mais aprofundada revela capacidades aprimoradas de percepção visual, reflexão e raciocínio nos modelos treinados, validando a eficácia do DeepVision para o avanço do raciocínio multimodal. Dados: 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}.