摘要：随着多模态大语言模型（MLLMs）在视觉问答、图像描述等任务中的广泛应用，其推理能力尤其是数学几何问题的解决能力，逐渐成为研究热点。
随着多模态大语言模型（MLLMs）在视觉问答、图像描述等任务中的广泛应用，其推理能力尤其是数学几何问题的解决能力，逐渐成为研究热点。
然而，现有方法大多依赖模板生成图像 - 文本对，泛化能力有限，且视觉与文本信息之间存在严重不对齐问题，制约了模型在复杂几何推理任务上的表现。
来自 UIUC 的作者团队的研究提出了一种基于强化学习与可验证奖励 RLVR 数据生成与优化框架 ——Geo-Image-Textualization，并发布了首个完全对齐的高质量几何图像 - 文本数据集 GeoReasoning-10K，包含 1 万对精心构建的图像与描述。
并且，为了促进社区发展，作者团队已公开 GeoReasoning-10K 数据集及相关代码。
数据集与方法介绍
该框架的核心创新包括：
强泛化性：训练后的模型不仅在几何任务上表现优异，还能泛化至算术、代数、数值推理等非几何任务，甚至处理非几何图像输入。高质量：经过 GeoReasoning 训练过的模型，在下游任务上性能超过其他同类型数据集，并且具有良好的缩放性质。可扩展性：生成的样本由模板集中的字句组合而成，可以组合出任意复杂度的几何题。图像 - 标题 - 问题 / 答案的生成流程如下图所示：
生成的几何图示例如下：
训练流程和强化学习阶段的奖励函数如下：
实验结果
在权威数学推理基准 MathVista 和 MathVers 上与其他几何字幕标注数据集（如 AutoGeo、GeoPeP）和解题数据集（如 GeoGPT4, Geo170K）相比，GeoReasoning-10K 在相同数据量下均取得最优效果，展现出卓越的数据质量与扩展性：
左：MathVista；右：MathVerse
在 MMMU 测评基准上，使用 GeoReasoning-10K 微调后的 Gemma3-4B 模型显著提升多项能力：
MMMU 实验结果
最后展示 MathVista 中的一些具体样例：
以及 MMMU 的一些样例：
总结
在多模态大语言模型快速发展的今天，Geo-Image-Textualization 框架和 GeoReasoning-10K 数据集为解决几何推理瓶颈提供了全新思路。通过确保视觉和文本信息的完全对齐，本文的方法不仅提升了模型在几何问题上的表现，还实现了向更广泛数学领域的泛化。
正如实验结果所示，给几何图片写标题可以让 AI 变聪明，不仅能解决几何问题，还能增强其整体数学推理能力，为多模态 AI 在教育、科学计算等领域的应用铺平道路。
感谢作者团队的辛勤工作和开源贡献，期待更多研究者加入这一领域，共同推动多模态 AI 技术的边界不断扩展。
来源：机器之心Pro一点号
