DeepVision-103K: Визуально разнообразный, широкоохватный и проверяемый математический набор данных для мультимодального логического вывода
DeepVision-103K: A Visually Diverse, Broad-Coverage, and Verifiable Mathematical Dataset for Multimodal Reasoning
February 18, 2026
Авторы: Haoxiang Sun, Lizhen Xu, Bing Zhao, Wotao Yin, Wei Wang, Boyu Yang, Rui Wang, Hu Wei
cs.AI
Аннотация
Показано, что обучение с подкреплением с верифицируемыми вознаграждениями (RLVR) эффективно повышает визуальную рефлексию и способности к рассуждению у больших мультимодальных моделей (LMM). Однако существующие наборы данных в основном создаются либо путем маломасштабной ручной разработки, либо рекомбинации предыдущих ресурсов, что ограничивает разнообразие и охват данных, тем самым сдерживая дальнейший рост производительности моделей. Для решения этой проблемы мы представляем DeepVision-103K — всеобъемлющий набор данных для обучения RLVR, охватывающий разнообразные темы школьной математики, обширные предметные области и богатые визуальные элементы. Модели, обученные на DeepVision, демонстрируют высокую производительность на мультимодальных математических бенчмарках и эффективно обобщаются на общие задачи мультимодального reasoning. Дальнейший анализ выявляет усиленные способности к визуальному восприятию, рефлексии и рассуждению у обученных моделей, подтверждая эффективность DeepVision для развития мультимодального reasoning. Данные: 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}.