ความก้าวหน้าครั้งใหม่ในการให้เหตุผลแบบมัลติโมดัลแบบโอเพนซอร์ส: กรอบ MMFineReason พลิกเกมด้วยพารามิเตอร์ 4B เอาชนะโมเดล 30B เปิดยุคการให้เหตุผลประสิทธิภาพสูงที่ขับเคลื่อนด้วยข้อมูล

เป็นเวลานานมาแล้วที่โมเดลมัลติโมดัลโอเพนซอร์สยังคงมีช่องว่างที่ยากจะก้าวข้ามกับโมเดลปิดต้นแบบชั้นนำอย่าง GPT-4o และ Gemini ในงานที่ต้องใช้การให้เหตุผลที่ซับซ้อน

นักพัฒนาชุมชนเริ่มตระหนักว่า ปัญหาหลักอาจไม่ได้อยู่ที่การปรับปรุงโครงสร้างโมเดลหรือขนาดของพารามิเตอร์โมเดล อุปสรรคที่แท้จริงคือการขาดแคลนข้อมูลการให้เหตุผลคุณภาพสูงที่มีความหนาแน่นของโซ่ความคิด (CoT) อย่างรุนแรง

ในด้านข้อความล้วนๆ ความสำเร็จของ DeepSeek-R1 ได้พิสูจน์แล้วถึงพลังของข้อมูลหลังการฝึก (Post-training Data) คุณภาพสูง แต่ในด้านมัลติโมดัล เรากำลังเผชิญกับ “ภูเขาสองลูก” ที่ขวางทางอยู่:

1. ความไม่สมดุลของข้อมูล: ข้อมูลมัลติโมดัลโอเพนซอร์สที่มีอยู่ยังคงเน้นที่ VQA ง่ายๆ และภาพธรรมชาติเป็นหลัก สำหรับข้อมูลที่มีคุณค่าต่อการให้เหตุผลสูงอย่างแท้จริง เช่น แผนภูมิ STEM ปริศนาตรรกะ สัญลักษณ์ภาพที่ซับซ้อน ฯลฯ ไม่เพียงแต่มีน้อย แต่ต้นทุนการติดป้ายกำกับยังสูงมาก
2. คุณภาพการให้เหตุผลที่หลากหลาย: แม้แต่ “ข้อมูลการให้เหตุผล” ที่มีอยู่ก็ยังมีปัญหากระบวนการให้เหตุผลสั้น ใช้เทมเพลต การติดป้ายกำกับไม่ละเอียด ขาดการตรวจสอบขั้นกลาง และการให้เหตุผลด้านภาพและตรรกะที่แยกจากกัน

เพื่อเติมเต็มช่องว่างนี้ ทีมวิจัย OpenDataLab ของ Shanghai AI Laboratory ได้เปิดตัวเฟรมเวิร์ก MMFineReason อย่างเป็นทางการ นี่เป็นทั้ง Pipeline การสังเคราะห์ข้อมูลการให้เหตุผลมัลติโมดัลที่สามารถทำซ้ำได้ 100% ตามกระบวนการทั้งหมดบนพื้นฐานของระบบนิเวศโอเพนซอร์ส และยังเป็นชุดข้อมูลขนาดใหญ่ที่สร้างขึ้นด้วยวิธีนี้ ซึ่งประกอบด้วยตัวอย่างคุณภาพสูง 1.8 ล้านตัวอย่าง และ 5.1 พันล้านโทเค็น

• ชื่อบทความวิจัย: MMFineReason: Closing the Multimodal Reasoning Gap via Open Data-Centric Methods
• บทความบน Huggingface: https://huggingface.co/papers/2601.21821
• หน้าแรกโครงการ: https://mmfinereason.github.io/
• ชุดข้อมูล & โมเดล: https://huggingface.co/collections/OpenDataArena/mmfinereason

โมเดลเล็ก ประสิทธิภาพใหญ่: ข้อได้เปรียบอันทรงพลังของการเลือกข้อมูลที่มีประสิทธิภาพ

มาดูผลลัพธ์ประสิทธิภาพกันก่อน ทีมวิจัยพบด้วยความประหลาดใจว่าการปรากฏตัวของ MMFineReason หมายถึงการเข้าสู่ขั้นตอนใหม่ของโมเดลมัลติโมดัลที่ “ใช้เล็กสู้ใหญ่”

ข้อมูลการทดลองแสดงให้เห็นว่าโมเดล MMFineReason-4B ซึ่งฝึกฝนบนพื้นฐานของ Qwen3-VL-4B นั้น ความสามารถในการให้เหตุผลไม่เพียงแต่เหนือกว่า Qwen3-VL-8B-Thinking เท่านั้น แต่ประสิทธิภาพยังใกล้เคียงกับ Qwen3-VL-30B-A3B-Thinking ที่มีพารามิเตอร์ขนาด 30B อีกด้วย

สิ่งที่ทำให้ทีมวิจัยประหลาดใจยิ่งกว่าคือ MMFineReason-8B ซึ่งฝึกบนฐานขนาดเดียวกัน แสดงผลได้ดีกว่า: มันเอาชนะ Qwen3-VL-30B-A3B-Thinking และ Gemini-2.5-Flash ได้โดยตรง และเริ่มท้าทายโมเดลระดับสูงสุดอย่าง GPT5-mini-High และ Qwen3-VL-32B-Thinking

สิ่งที่ควรเน้นย้ำคือ การเปลี่ยนแปลงประสิทธิภาพแบบ “ข้ามระดับ” นี้ไม่ได้มาจากการออกแบบโครงสร้างโมเดลใหม่ หรือการใช้เทคนิคการฝึกที่ซับซ้อนขึ้น แต่เกือบทั้งหมดมาจากการเปลี่ยนแปลงในระดับข้อมูล โดยเฉพาะอย่างยิ่งระดับโครงสร้างของข้อมูลการให้เหตุผลและความหนาแน่นของการให้เหตุผลที่มีประสิทธิภาพในแต่ละตัวอย่าง

ยิ่งไปกว่านั้น ทีมวิจัยยังพบว่าการกรองด้วยการรับรู้ระดับความยาก สามารถบรรลุประสิทธิภาพการแปลงข้อมูลที่สูงมาก: การใช้เพียงชุดย่อยข้อมูลที่คัดสรรความยากสูง 7% ของปริมาณทั้งหมด (ประมาณ 123K) ก็สามารถแสดงประสิทธิภาพเทียบเท่ากับข้อมูลเต็มชุด 1.8M ได้

ดังนั้น เมื่อข้อมูลถูกคัดกรองอย่างมีประสิทธิภาพ ระดับความยากและความสามารถของโมเดลถูกจัดแนวอย่างแม่นยำ การเลือกข้อมูลนั้นเองก็กลายเป็นคันโยกหลักที่กำหนดประสิทธิภาพของพารามิเตอร์

เปิดเผยไปป์ไลน์ข้อมูลระดับ “Closed-Source”: ไลน์การผลิตข้อมูลที่เปิดเผยทั้งหมด

แตกต่างจากโซลูชันดั้งเดิมที่พึ่งพา API กล่องดำ MMFineReason สร้างไปป์ไลน์ที่โปร่งใสและมีประสิทธิภาพซึ่งเปิดเผยทั้งหมด 100% ของกระบวนการทั้งหมดบนพื้นฐานของโมเดลโอเพนซอร์ส กระบวนการทั้งหมดผลิตข้อมูลคุณภาพสูงผ่านสามขั้นตอนหลัก:

1. การมาตรฐานข้อมูล: อันดับแรกกำหนดจากแหล่งที่มาว่า “อะไรคืองานที่สามารถให้เหตุผลได้” ดำเนินการประมวลผลมาตรฐานและทำความสะอาดอย่างเข้มงวดสำหรับข้อมูลหลายโดเมน เช่น STEM, Puzzle, กราฟ, เรขาคณิต, ตารางวิทยาศาสตร์ ฯลฯ และรวม Schema ให้เป็นหนึ่งเดียว
2. การกลั่นการให้เหตุผล: ใช้ Qwen3-VL-235B-Thinking เป็นโมเดลครูสำหรับการกลั่นการให้เหตุผล และปฏิบัติตามกรอบการให้เหตุผลสี่ขั้นตอนอย่างเคร่งครัด: “การรับรู้ภาพ → การอนุมานตรรกะ → การตรวจสอบขั้นกลาง → การยืนยันข้อสรุป” เพื่อสร้างเส้นทางการให้เหตุผล CoT ที่ละเอียดและมีความสามารถ “ลงดินด้านภาพ”
3. การกรองสองชั้น: เพื่อให้มั่นใจในประสิทธิภาพของการฝึก ทีมวิจัยได้นำกลไกการคัดกรองสองชั้นมาใช้ อย่างแรกคือการกรองความถูกต้อง เพื่อให้แน่ใจว่าคำตอบและกระบวนการให้เหตุผลสอดคล้องกันอย่างเคร่งครัด บนพื้นฐานของการกำจัด CoT คุณภาพต่ำ จะทำการกรองด้วยการรับรู้ระดับความยาก (Difficulty-Aware) โดยเฉพาะ เพื่อคัดเลือกตัวอย่างที่มี “ค่าการฝึก” สูงสำหรับโมเดลขนาดเล็ก Qwen3-VL-4B นั่นคือตัวอย่างที่โมเดลขนาดเล็ก “ล้มเหลวอย่างสม่ำเสมอ” จึงหลีกเลี่ยงการกองทับของข้อมูลที่ไม่มีประสิทธิภาพ

ในที่สุด ทีมวิจัยได้ชุดข้อมูลคุณภาพสูงสามชุด: MMFineReason-1.8M (ถูกต้องเต็มชุด), MMFineReason-586K (ถูกต้องและเอาตัวอย่างที่ง่ายเกินไปออก) และ MMFineReason-123K (ถูกต้องและเป็นตัวอย่างที่ยากที่สุด)

MMFineReason-1.8M: ข้อมูลมัลติโมดัลคุณภาพสูงที่สร้างขึ้นสำหรับ “การให้เหตุผลเชิงลึก”

มากกว่าที่จะเรียก MMFineReason ว่าเป็นชุดข้อมูล VQA ทั่วไป ควรนิยามมันว่าเป็น “สนามฝึกความคิดที่เข้มข้น” เตรียมไว้สำหรับโมเดลใหญ่มัลติโมดัล ในบริบทที่ด้านมัลติโมดัลโดยทั่วไปกำลังเผชิญกับ “ความกระหายข้อมูล” และ “การขาดตอนของโซ่ความคิด” โครงการนี้แสดงคุณลักษณะหลักที่มีเอกลักษณ์ชัดเจน

ประการแรก MMFineReason บรรลุการก้าวกระโดดเชิงคุณภาพในความลึกของความคิด เมื่อเทียบกับชุดข้อมูลในประเภทเดียวกัน เช่น HoneyBee ความยาวเฉลี่ยของโซ่ความคิด (CoT) ถึง 2,910 โทเค็น ซึ่งมีขนาดใหญ่เป็น 2.7 เท่าของชุดข้อมูลก่อนหน้า การนำข้อมูลการให้เหตุผลเส้นทางยาวนี้เข้ามา โดยพื้นฐานแล้วคือการทำให้โมเดลบอกลาการ “ตัดสินโดยสัญชาตญาณ” ง่ายๆ และหันมาควบคุมรูปแบบการอนุมาน “ภาพ-ตรรกะ” ที่ละเอียดและเป็นรูปธรรม

ในด้านการกระจายโดเมน ทีมวิจัยแสดงทิศทางที่มุ่งไปสู่การไม่ยอมรับความธรรมดา อย่างแน่วแน่ ปฏิเสธตัวอย่างง่ายๆ ที่ง่ายต่อการ “ทำคะแนน” และหันไปขุดลึกลงในพื้นที่ตรรกะที่มีความยากสูง

ในชุดข้อมูล โดเมนคณิตศาสตร์มีสัดส่วนสูงถึง 79.4% ซึ่งเสริมรากฐานการให้เหตุผลเชิงสัญลักษณ์ ครอบคลุมสาขาวิชาลึกเช่นเรขาคณิต แคลคูลัส ฯลฯ ข้อมูลวิทยาศาสตร์ 13.8% มุ่งเน้นไปที่การวิเคราะห์แผนภูมิฟิสิกส์และเคมีที่ซับซ้อน นอกจากนี้ ชุดข้อมูลยังได้แนะนำข้อมูลปริศนาและเกม 4.6% ผ่านการจดจำรูปแบบเชิงนามธรรมและการแข่งขันเชิงกลยุทธ์ เพื่อทดสอบและท้าทายขีดจำกัดความฉลาดของโมเดลโอเพนซอร์สอย่างต่อเนื่อง

ข้อมูลเชิงลึกที่มีความหมายลึกซึ้งยิ่งกว่าอยู่ที่ “ผลกระทบการยกระดับแบบร่วมมือ” ที่เกิดจากการฝึกความเข้มข้นสูงนี้ ผลการทดลองทำลายความเชื่อเดิมที่ว่าการฝึกเฉพาะทางจะลดทอนความสามารถทั่วไป: เมื่อโมเดลศึกษาอย่างลึกซึ้งใน STEM และปัญหาตรรกะที่ยาก ความสามารถในการทำงาน VQA ทั่วไปกลับได้รับการยกระดับพร้อมกัน การปลดปล่อยความสามารถแบบจุดนำหน้าพื้นที่นี้ ยืนยันอีกครั้งว่าโซ่ตรรกะคุณภาพสูงคือตรรกะที่แท้จริงที่ขับเคลื่อนการวิวัฒนาการประสิทธิภาพของโมเดลข้ามระดับ

สรุปและมุมมอง

การเปิดตัว MMFineReason พิสูจน์ให้เห็นว่าในด้านมัลติโมดัล เมื่อโครงสร้างโมเดลค่อยๆ มาบรรจบกัน และผลตอบแทนส่วนเพิ่มของขนาดพารามิเตอร์ลดลงอย่างต่อเนื่อง สิ่งที่กำหนดความแตกต่างของความสามารถ ไม่ใช่โมเดลมีขนาดใหญ่แค่ไหนอีกต่อไป แต่คือ “ข้อมูลได้สอนโมเดลให้รู้วิธีให้เหตุผลจริงๆ หรือไม่” ผ่านวิศวกรรมข้อมูลที่ละเอียดอ่อน โมเดลพารามิเตอร์เล็กมีศักยภาพเต็มที่ที่จะต่อสู้หรือแม้แต่เหนือกว่าโมเดลพารามิเตอร์ใหญ่ในงานการให้เหตุผลที่ซับซ้อน

นี่ไม่ใช่ชัยชนะของขนาด แต่เป็นชัยชนะของระเบียบวิธีแบบ Data-Centric เราหวังว่าในอนาคตบนเส้นทางของโมเดลใหญ่มัลติโมดัลโอเพนซอร์ส จะสามารถใช้ข้อมูลที่มีประสิทธิภาพสูงและมีคุณค่าสูงเพื่อส่งเสริมความก้าวหน้าของชุมชน

ปัจจุบัน โครงการนี้ได้เปิดตัวบน Huggingface และ GitHub อย่างเต็มรูปแบบ เพื่อให้การสนับสนุนที่ครบถ้วนตั้งแต่ข้อมูลไปจนถึงชุดเครื่องมือแก่ชุมชนโอเพนซอร์ส

ติดตาม “鲸栖” Mini Program เพื่อรับข่าวสาร AI ล่าสุด

⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง

☕ สนับสนุนค่ากาแฟทีมงาน

หากคุณชอบบทความนี้ สามารถสนับสนุนเราได้ผ่าน PromptPay

SCAN TO PAY WITH ANY BANK