Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.05255

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2507.05255 (cs)
[提交于 2025年7月7日 ]

标题: 开放视觉推理器:转移语言认知行为用于视觉推理

标题: Open Vision Reasoner: Transferring Linguistic Cognitive Behavior for Visual Reasoning

Authors:Yana Wei, Liang Zhao, Jianjian Sun, Kangheng Lin, Jisheng Yin, Jingcheng Hu, Yinmin Zhang, En Yu, Haoran Lv, Zejia Weng, Jia Wang, Chunrui Han, Yuang Peng, Qi Han, Zheng Ge, Xiangyu Zhang, Daxin Jiang, Vishal M. Patel
摘要: 大型语言模型(LLMs)卓越的推理能力源于通过可验证奖励进行强化后出现的认知行为。 这项工作研究如何将这一原理转移到多模态大型语言模型(MLLMs)中,以解锁高级视觉推理能力。 我们引入了一个基于Qwen2.5-VL-7B的两阶段范式:首先进行大规模语言冷启动微调,然后进行跨越近1000步的多模态强化学习(RL),其规模超过了所有之前开源努力。 这项开创性工作揭示了三个基本见解:1)由于语言心理意象,行为转移在冷启动阶段意外地早期出现。 2)冷启动广泛记忆视觉行为,而强化学习则关键地区分并扩展有效的模式。 3)转移策略性地偏向高效行为,如视觉反思。 我们提出的模型Open-Vision-Reasoner(OVR)在一系列推理基准测试中取得了最先进的性能,包括MATH500上的95.3%,MathVision上的51.8%和MathVerse上的54.6%。 我们发布我们的模型、数据和训练动态,以推动更强大、行为对齐的多模态推理器的发展。
摘要: The remarkable reasoning capability of large language models (LLMs) stems from cognitive behaviors that emerge through reinforcement with verifiable rewards. This work investigates how to transfer this principle to Multimodal LLMs (MLLMs) to unlock advanced visual reasoning. We introduce a two-stage paradigm built on Qwen2.5-VL-7B: a massive linguistic cold-start fine-tuning, followed by multimodal reinforcement learning (RL) spanning nearly 1,000 steps, surpassing all previous open-source efforts in scale. This pioneering work reveals three fundamental insights: 1) Behavior transfer emerges surprisingly early in cold start due to linguistic mental imagery. 2) Cold start broadly memorizes visual behaviors, while RL critically discerns and scales up effective patterns. 3) Transfer strategically favors high-utility behaviors such as visual reflection. Our resulting model, Open-Vision-Reasoner (OVR), achieves state-of-the-art performance on a suite of reasoning benchmarks, including 95.3% on MATH500, 51.8% on MathVision and 54.6% on MathVerse. We release our model, data, and training dynamics to catalyze the development of more capable, behavior-aligned multimodal reasoners.
主题: 计算机视觉与模式识别 (cs.CV) ; 计算与语言 (cs.CL)
引用方式: arXiv:2507.05255 [cs.CV]
  (或者 arXiv:2507.05255v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.05255
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Yana Wei [查看电子邮件]
[v1] 星期一, 2025 年 7 月 7 日 17:59:03 UTC (864 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.CL

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号