Descubra a Resposta: Expandindo as Fronteiras do Raciocínio com o Pensamento Visual Ativo
Figure It Out: Improving the Frontier of Reasoning with Active Visual Thinking
December 30, 2025
Autores: Meiqi Chen, Fandong Meng, Jie Zhou
cs.AI
Resumo
Problemas de raciocínio complexos frequentemente envolvem relações espaciais, geométricas e estruturais implícitas que não são explicitamente codificadas em texto. Embora modelos de raciocínio recentes tenham alcançado um desempenho sólido em diversos domínios, o raciocínio puramente baseado em texto luta para representar restrições estruturais globais em ambientes complexos. Neste artigo, apresentamos o FIGR, que integra o pensamento visual ativo no raciocínio multi-etapas por meio de aprendizado por reforço de ponta a ponta. O FIGR externaliza hipóteses estruturais intermediárias construindo representações visuais durante a resolução de problemas. Ao regular de forma adaptativa quando e como o raciocínio visual deve ser invocado, o FIGR permite um raciocínio mais estável e coerente sobre propriedades estruturais globais que são difíceis de capturar apenas a partir do texto. Experimentos em benchmarks desafiadores de raciocínio matemático demonstram que o FIGR supera linhas de base fortes baseadas apenas em texto, como a cadeia de pensamentos. Em particular, o FIGR melhora o modelo base em 13,12% no AIME 2025 e 11,00% no BeyondAIME, destacando a eficácia do raciocínio multimodal guiado por figuras para melhorar a estabilidade e confiabilidade do raciocínio complexo.
English
Complex reasoning problems often involve implicit spatial, geometric, and structural relationships that are not explicitly encoded in text. While recent reasoning models have achieved strong performance across many domains, purely text-based reasoning struggles to represent global structural constraints in complex settings. In this paper, we introduce FIGR, which integrates active visual thinking into multi-turn reasoning via end-to-end reinforcement learning. FIGR externalizes intermediate structural hypotheses by constructing visual representations during problem solving. By adaptively regulating when and how visual reasoning should be invoked, FIGR enables more stable and coherent reasoning over global structural properties that are difficult to capture from text alone. Experiments on challenging mathematical reasoning benchmarks demonstrate that FIGR outperforms strong text-only chain-of-thought baselines. In particular, FIGR improves the base model by 13.12% on AIME 2025 and 11.00% on BeyondAIME, highlighting the effectiveness of figure-guided multimodal reasoning in enhancing the stability and reliability of complex reasoning.