OpenMMReasoner：推动多模态推理的前沿发展，基于开放且通用的通用配方
人工智能
2025-12-08 v4 计算与语言
摘要
近期大型推理模型的快速发展，推动了将此类能力扩展至多模态领域的研究热情。然而，尽管在视觉推理方面取得了显著进展，但透明且可复现的数据 curated 与训练策略的缺失，仍是大规模研究的主要障碍。本文介绍了 OpenMMReasoner，这是一种完全透明的两阶段配方，用于多模态推理，涵盖监督微调（SFT）和强化学习（RL）。在 SFT 阶段，我们构建了一个包含 874K 样本的 cold-start 数据集，并进行严格的逐步验证，为推理能力提供了坚实的基础。随后，RL 阶段利用覆盖多样领域的 74K 样本数据集，进一步磨练和稳定这些能力， resulting in 更加稳健和高效的学习过程。广泛的评估表明，我们的训练配方不仅超越了强大的基线模型，还突显了数据质量和训练设计在塑造多模态推理性能中的关键作用。值得注意的是，我们的方法在九个多模态推理基准测试中相对于 Qwen2.5-VL-7B-Instruct baseline 取得了 11.6% 的提升，为未来的大规模多模态推理研究奠定了坚实的实证基础。我们已在 https://github.com/EvolvingLMMs-Lab/OpenMMReasoner 上开源所有代码、管道和数据。
引用
@article{arxiv.2511.16334,
title = {OpenMMReasoner: Pushing the Frontiers for Multimodal Reasoning with an Open and General Recipe},
author = {Kaichen Zhang and Keming Wu and Zuhao Yang and Bo Li and Kairui Hu and Bin Wang and Ziwei Liu and Xingxuan Li and Lidong Bing},
journal= {arXiv preprint arXiv:2511.16334},
year = {2025}
}