通过渲染文本实现简单视觉-语言数学推理
机器学习
2025-11-18 v1 计算机视觉与模式识别
摘要
我们提出了一个轻量且有效的管道，用于训练视觉-语言模型以解决数学问题，通过将 LaTeX 编码的方程渲染为图像并与结构化的链式思维提示配对。这种简单的数据-视觉增强使紧凑的多模态架构能够实现最先进的推理准确率。通过系统性的消融实验，我们发现渲染保真度和提示设计是性能的主要驱动因素。尽管方法简单，但我们的 approach 在广泛使用的基准测试中始终能够匹配或超越开源和专有的数学专注视觉-语言求解器，同时保持广泛的通用领域能力——在诸如 MMMU、ChartQA 和 DocVQA 等任务上实现最高可达 20% 的提升。
引用
@article{arxiv.2511.11704,
title = {Simple Vision-Language Math Reasoning via Rendered Text},
author = {Matvey Skripkin and Elizaveta Goncharova and Andrey Kuznetsov},
journal= {arXiv preprint arXiv:2511.11704},
year = {2025}
}