給幾何圖片寫標題就能讓AI更聰明，UIUC發布高質量可泛化幾何數據集
隨著多模態大語言模型（MLLMs）在視覺問答、圖像描述等任務中的廣泛應用，其推理能力尤其是數學幾何問題的解決能力，逐漸成為研究熱點。
然而，現有方法大多依賴模板生成圖像 - 文本對，泛化能力有限，且視覺與文本信息之間存在嚴重不對齊問題，制約了模型在復雜幾何推理任務上的表現。
來自 UIUC 的作者團隊的研究提出了一種基于強化學習與可驗證獎勵 RLVR 數據生成與優化框架 ——Geo-Image-Textualization，并發布了首個完全對齊的高質量幾何圖像 - 文本數據集 GeoReasoning-10K，包含 1 萬對精心構建的圖像與描述。
并且，為了促進社區發展，作者團隊已公開 GeoReasoning-10K 數據集及相關代碼。
- 數據集地址：https://huggingface.co/datasets/ScaleMath/GeoReasoning
- 代碼地址：https://github.com/MachinePhoenix/GeoReasoning
- 論文鏈接：https://arxiv.org/abs/2509.15217
- 論文標題：Generalizable Geometric Image Caption Synthesis
數據集與方法介紹
該框架的核心創新包括：
- 強泛化性：訓練后的模型不僅在幾何任務上表現優異，還能泛化至算術、代數、數值推理等非幾何任務，甚至處理非幾何圖像輸入。
- 高質量：經過 GeoReasoning 訓練過的模型，在下游任務上性能超過其他同類型數據集，并且具有良好的縮放性質。
- 可擴展性：生成的樣本由模板集中的字句組合而成，可以組合出任意復雜度的幾何題。
圖像 - 標題 - 問題 / 答案的生成流程如下圖所示：
生成的幾何圖示例如下：
訓練流程和強化學習階段的獎勵函數如下：
實驗結果
在權威數學推理基準 MathVista 和 MathVers 上與其他幾何字幕標注數據集（如 AutoGeo、GeoPeP）和解題數據集（如 GeoGPT4, Geo170K）相比，GeoReasoning-10K 在相同數據量下均取得最優效果，展現出卓越的數據質量與擴展性：
左：MathVista；右：MathVerse
在 MMMU 測評基準上，使用 GeoReasoning-10K 微調后的 Gemma3-4B 模型顯著提升多項能力：
MMMU 實驗結果
最后展示 MathVista 中的一些具體樣例：
以及 MMMU 的一些樣例：
總結
在多模態大語言模型快速發展的今天，Geo-Image-Textualization 框架和 GeoReasoning-10K 數據集為解決幾何推理瓶頸提供了全新思路。通過確保視覺和文本信息的完全對齊，本文的方法不僅提升了模型在幾何問題上的表現，還實現了向更廣泛數學領域的泛化。
正如實驗結果所示，給幾何圖片寫標題可以讓 AI 變聰明，不僅能解決幾何問題，還能增強其整體數學推理能力，為多模態 AI 在教育、科學計算等領域的應用鋪平道路。
感謝作者團隊的辛勤工作和開源貢獻，期待更多研究者加入這一領域，共同推動多模態 AI 技術的邊界不斷擴展。
