MetaReason：通过编辑元信息进行精确交错多模态推理以解决几何问题

尽管视觉推理对于解决复杂的几何任务至关重要，但现有的视觉语言模型严重依赖于纯文本推理。最近的一些方法引入了中间视觉状态来促进推理，但它们经常受到不准确的几何表示和低渲染保真度的阻碍，最终导致不可靠的输出。为了解决这些限制，我们提出了 MetaReason，这是一种平面几何多模态推理框架，它利用结构化元信息来实现准确的辅助线构建。该框架首先将几何图像解析为元信息，使用预定义工具进行可控编辑以合成高保真视觉状态，然后基于这些增强视图进行推理。为了支持这个框架，我们构建了 TutorGeo，一个包含 17k 图像到元转换样本、60k 纯文本推理轨迹和 60k 交错多模态推理轨迹的综合数据集。使用该数据集，我们结合监督 微调 和强化学习来开发强大的多模态推理能力。我们还推出了 ExamGeo，这是一个源自现实世界考试问题的基准，可以跨不同难度级别进行系统评估。实验结果表明，MetaReason 的性能显着优于现有的开源模型，并实现了与专有模型相比的竞争性能。