เป็นเวลานานมาแล้วที่โมเดลโอเพ่นซอร์สมัลติโมดัลยังคงมีช่องว่างที่ยากจะก้าวข้ามกับโมเดลปิดต้นแบบชั้นนำอย่าง GPT-4o และ Gemini ในงานที่ต้องใช้การให้เหตุผลที่ซับซ้อน
นักพัฒนาชุมชนเริ่มตระหนักว่า ปัญหาหลักอาจไม่ได้อยู่ที่การปรับปรุงโครงสร้างโมเดลหรือการขยายขนาดพารามิเตอร์ แต่กลับอยู่ที่การขาดแคลนข้อมูลการให้เหตุผลคุณภาพสูงที่มีความหนาแน่นของโซ่ความคิด (CoT) อย่างรุนแรง
ในด้านข้อความล้วนๆ ความสำเร็จของ DeepSeek-R1 ได้พิสูจน์แล้วถึงพลังของข้อมูลหลังการฝึกฝนคุณภาพสูง แต่ในด้านมัลติโมดัล นักวิจัยต้องเผชิญกับ “ภูเขาสองลูก” ที่ขวางทางอยู่:
- ความไม่สมดุลของข้อมูล: ข้อมูลมัลติโมดัลโอเพ่นซอร์สที่มีอยู่ยังคงเน้นที่ VQA ง่ายๆ และภาพธรรมชาติเป็นหลัก สำหรับข้อมูลที่มีคุณค่าต่อการให้เหตุผลสูงอย่างแท้จริง เช่น แผนภูมิ STEM ปริศนาตรรกะ สัญลักษณ์ภาพที่ซับซ้อน ฯลฯ ไม่เพียงแต่มีจำนวนน้อย แต่ยังมีต้นทุนการติดป้ายกำกับที่สูงมาก
- คุณภาพการให้เหตุผลที่หลากหลาย: แม้แต่ข้อมูล “การให้เหตุผล” ที่มีอยู่ก็ยังมีปัญหากระบวนการให้เหตุผลสั้น ใช้เทมเพลต การติดป้ายกำกับไม่ละเอียดพอ ขาดการตรวจสอบขั้นกลาง และการตัดขาดระหว่างการให้เหตุผลด้วยภาพและตรรกะ
เพื่อเติมเต็มช่องว่างนี้ ทีมวิจัย OpenDataLab ของ Shanghai AI Laboratory ได้เปิดตัวเฟรมเวิร์ก MMFineReason อย่างเป็นทางการ นี่เป็นทั้ง Pipeline การสังเคราะห์ข้อมูลการให้เหตุผลมัลติโมดัลที่สามารถทำซ้ำได้ 100% ตามกระบวนการทั้งหมดบนพื้นฐานของระบบนิเวศโอเพ่นซอร์ส และยังเป็นชุดข้อมูลขนาดใหญ่ที่สร้างขึ้นด้วยวิธีนี้ ซึ่งประกอบด้วยตัวอย่างคุณภาพสูง 1.8 ล้านตัวอย่าง และ 5.1 พันล้านโทเค็น
- ชื่อบทความวิจัย: MMFineReason: Closing the Multimodal Reasoning Gap via Open Data-Centric Methods
- ลิงก์บทความวิจัย: https://huggingface.co/papers/2601.21821
- หน้าแรกโครงการ: https://mmfinereason.github.io/
- ชุดข้อมูล & โมเดล: https://huggingface.co/collections/OpenDataArena/mmfinereason
โมเดลเล็ก ประสิทธิภาพใหญ่: ข้อได้เปรียบอันทรงพลังของการเลือกข้อมูลอย่างมีประสิทธิภาพ
ข้อมูลการทดลองแสดงให้เห็นว่า การปรากฏตัวของ MMFineReason หมายถึงการที่โมเดลมัลติโมดัลเข้าสู่ยุคใหม่ของ “การใช้เล็กชนะใหญ่”
โมเดล MMFineReason-4B ที่ฝึกฝนบนพื้นฐานของ Qwen3-VL-4B ความสามารถในการให้เหตุผลไม่เพียงแต่เหนือกว่า Qwen3-VL-8B-Thinking แต่ประสิทธิภาพยังใกล้เคียงกับ Qwen3-VL-30B-A3B-Thinking ที่มีขนาดพารามิเตอร์ 30B
MMFineReason-8B ที่ฝึกฝนบนฐานรากขนาดเดียวกันแสดงผลลัพธ์ที่ยอดเยี่ยมยิ่งกว่า: มันเอาชนะ Qwen3-VL-30B-A3B-Thinking และ Gemini-2.5-Flash ได้โดยตรง และเริ่มท้าทายโมเดลชั้นนำอย่าง GPT5-mini-High และ Qwen3-VL-32B-Thinking
สิ่งที่ควรเน้นย้ำคือ การเปลี่ยนแปลงประสิทธิภาพแบบ “ข้ามระดับ” นี้ไม่ได้มาจากการออกแบบโครงสร้างโมเดลใหม่หรือเทคนิคการฝึกฝนที่ซับซ้อนมากขึ้น แต่เกือบทั้งหมดมาจากการเปลี่ยนแปลงในระดับข้อมูล โดยเฉพาะอย่างยิ่งระดับโครงสร้างของข้อมูลการให้เหตุผลและความหนาแน่นของการให้เหตุผลที่มีประสิทธิภาพในแต่ละตัวอย่าง
ยิ่งไปกว่านั้น ทีมยังพบว่าการกรองด้วยการรับรู้ระดับความยาก สามารถบรรลุประสิทธิภาพการแปลงข้อมูลที่สูงมาก: การใช้เพียงชุดย่อยข้อมูลที่คัดสรรมาอย่างยากลำบาก 7% ของปริมาณทั้งหมด (ประมาณ 123K) ก็สามารถเทียบเคียงประสิทธิภาพได้กับชุดข้อมูลเต็ม 1.8M
ดังนั้น เมื่อข้อมูลถูกคัดกรองอย่างมีประสิทธิภาพ ระดับความยากและความสามารถของโมเดลถูกจัดแนวอย่างแม่นยำ การเลือกข้อมูลนั้นเองก็กลายเป็นคันโยกหลักที่กำหนดประสิทธิภาพของพารามิเตอร์
เปิดเผยไปป์ไลน์ข้อมูลระดับ “Closed-Source”: ไลน์การผลิตข้อมูลที่เปิดเผยทั้งหมด
แตกต่างจากโซลูชันดั้งเดิมที่พึ่งพา API กล่องดำ MMFineReason สร้าง Pipeline ที่โปร่งใสและมีประสิทธิภาพซึ่งเปิดเผยทั้งหมด 100% ของกระบวนการทั้งหมดบนพื้นฐานของโมเดลโอเพ่นซอร์ส กระบวนการทั้งหมดผลิตข้อมูลคุณภาพสูงผ่านสามขั้นตอนหลัก:
- การมาตรฐานข้อมูล: เริ่มต้นด้วยการกำหนด “อะไรคืองานที่สามารถให้เหตุผลได้” จากแหล่งที่มา ดำเนินการมาตรฐานและทำความสะอาดอย่างเข้มงวดสำหรับข้อมูลหลายโดเมน เช่น STEM, Puzzle, แผนภูมิ, เรขาคณิต, ตารางวิทยาศาสตร์ ฯลฯ และรวม Schema ให้เป็นหนึ่งเดียว
- การกลั่นการให้เหตุผล: ใช้ Qwen3-VL-235B-Thinking เป็นโมเดลครูสำหรับการกลั่นการให้เหตุผล และปฏิบัติตามกรอบการให้เหตุผลสี่ขั้นตอนอย่างเคร่งครัด: “การรับรู้ภาพ → การอนุมานตรรกะ → การตรวจสอบขั้นกลาง → การยืนยันข้อสรุป” เพื่อสร้างเส้นทางการให้เหตุผล CoT ที่ละเอียดและมีความสามารถ “ลงจอดภาพ”
- การกรองสองชั้น: เพื่อให้มั่นใจในประสิทธิภาพการฝึกฝน ทีมได้นำกลไกการคัดกรองสองชั้นมาใช้ อย่างแรกคือการกรองความถูกต้อง เพื่อให้แน่ใจว่าคำตอบและกระบวนการให้เหตุผลสอดคล้องกันอย่างเคร่งครัด บนพื้นฐานของการกำจัด CoT คุณภาพต่ำ ดำเนินการการกรองด้วยการรับรู้ระดับความยาก (Difficulty-Aware) โดยเฉพาะเพื่อคัดกรองตัวอย่างที่มี “ค่าการฝึกฝน” สูงสำหรับโมเดลเล็ก Qwen3-VL-4B นั่นคือตัวอย่างที่ “โมเดลเล็กล้มเหลวอย่างสม่ำเสมอ” จึงหลีกเลี่ยงการกองทับข้อมูลที่ไม่มีประสิทธิภาพ
ในที่สุด ทีมวิจัยได้ชุดข้อมูลคุณภาพสูงสามชุด: MMFineReason-1.8M (ถูกต้องทั้งหมด), MMFineReason-586K (ถูกต้องและลบตัวอย่างที่ง่ายเกินไป) และ MMFineReason-123K (ถูกต้องและเป็นตัวอย่างที่ยากที่สุด)
MMFineReason-1.8M: ข้อมูลมัลติโมดัลคุณภาพสูงที่สร้างขึ้นสำหรับ “การให้เหตุผลเชิงลึก”
MMFineReason ไม่ใช่แค่ชุดข้อมูล VQA ทั่วไป แต่ควรนิยามว่าเป็น “สนามฝึกความคิดที่เข้มข้น” เตรียมพร้อมสำหรับโมเดลขนาดใหญ่มัลติโมดัล ในบริบทที่ด้านมัลติโมดัลโดยทั่วไปกำลังเผชิญกับ “ความหิวข้อมูล” และ “การขาดตอนของโซ่ความคิด” โครงการนี้แสดงให้เห็นถึงคุณลักษณะหลักที่มีเอกลักษณ์ชัดเจน
ประการแรก MMFineReason บรรลุการก้าวกระโดดเชิงคุณภาพในความลึกของความคิด เมื่อเทียบกับชุดข้อมูลในประเภทเดียวกัน เช่น HoneyBee ความยาวโซ่ความคิดโดยเฉลี่ยสูงถึง 2,910 โทเค็น ซึ่งมีขนาดเป็น 2.7 เท่า ของชุดข้อมูลก่อนหน้า การแนะนำข้อมูลการให้เหตุผลเส้นทางยาวนี้ โดยพื้นฐานแล้วคือการให้โมเดลบอกลาการตัดสินใจแบบ “สัญชาตญาณ” ง่ายๆ และหันมาครอบครองรูปแบบการอนุมาน “ภาพ-ตรรกะ” ที่ละเอียดและเป็นรูปธรรม
ในแง่ของการกระจายโดเมน ทีมวิจัยแสดงให้เห็นถึงแนวทางที่มุ่งเน้นการกำจัดความธรรมดา ยืนกรานปฏิเสธตัวอย่างง่ายๆ ที่ง่ายต่อการ “ทำคะแนน” และหันไปขุดลึกในพื้นที่ตรรกะที่ยากลำบาก
ในชุดข้อมูล โดเมนคณิตศาสตร์มีสัดส่วนเด่นชัดที่ 79.4% เพื่อเสริมรากฐานการให้เหตุผลเชิงสัญลักษณ์ ครอบคลุมสาขาวิชาลึกๆ เช่น เรขาคณิต แคลคูลัส ฯลฯ ข้อมูลวิทยาศาสตร์ 13.8% มุ่งเน้นไปที่การวิเคราะห์แผนภูมิฟิสิกส์และเคมีที่ซับซ้อน นอกจากนี้ ชุดข้อมูลยังได้แนะนำข้อมูลปริศนาและเกม 4.6% ผ่านการจดจำรูปแบบนามธรรมและการแข่งขันเชิงกลยุทธ์ เพื่อทดสอบและท้าทายขีดจำกัดการให้เหตุผลของโมเดลโอเพ่นซอร์สอย่างต่อเนื่อง
ข้อมูลเชิงลึกที่มีความหมายลึกซึ้งยิ่งขึ้นอยู่ที่ “ผลกระทบการยกระดับแบบร่วมมือ” ที่เกิดจากการฝึกฝนความเข้มข้นสูงนี้ ผลการทดลองทำลายความเชื่อเดิมที่ว่าการฝึกฝนเฉพาะทางจะลดทอนความสามารถทั่วไป: เมื่อโมเดลศึกษาอย่างลึกซึ้งใน STEM และปัญหาตรรกะที่ยากลำบาก ประสิทธิภาพของโมเดลในงาน VQA ทั่วไปกลับได้รับการยกระดับพร้อมกัน การปลดปล่อยความสามารถจากจุดสู่พื้นที่นี้ ยืนยันอีกครั้งว่าโซ่ตรรกะคุณภาพสูงคือกุญแจสำคัญที่ขับเคลื่อนการพัฒนาประสิทธิภาพของโมเดลข้ามระดับ
สรุปและมุมมอง
การเปิดตัว MMFineReason พิสูจน์ว่าในด้านมัลติโมดัล เมื่อโครงสร้างโมเดลค่อยๆ มาบรรจบกัน และผลตอบแทนส่วนเพิ่มของขนาดพารามิเตอร์ลดลงอย่างต่อเนื่อง สิ่งที่กำหนดความแตกต่างของความสามารถไม่ใช่โมเดลมีขนาดใหญ่แค่ไหนอีกต่อไป แต่คือ “ข้อมูลได้สอนโมเดลให้รู้วิธีให้เหตุผลจริงๆ หรือไม่” ผ่านวิศวกรรมข้อมูลที่ละเอียดอ่อน โมเดลพารามิเตอร์เล็กมีศักยภาพเต็มที่ที่จะต่อสู้หรือแม้แต่เหนือกว่าโมเดลพารามิเตอร์ใหญ่ในงานการให้เหตุผลที่ซับซ้อน
นี่ไม่ใช่ชัยชนะของขนาด แต่เป็นชัยชนะของระเบียบวิธีแบบ Data-Centric เราหวังว่าในอนาคตบนเส้นทางของโมเดลขนาดใหญ่มัลติโมดัลโอเพ่นซอร์ส เราจะสามารถใช้ข้อมูลที่มีประสิทธิภาพสูงและมีคุณค่าสูงเพื่อส่งเสริมความก้าวหน้าของชุมชน
ติดตาม “鲸栖” Mini Program เพื่อรับข่าวสาร AI ล่าสุด
⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง
☕ สนับสนุนค่ากาแฟทีมงาน
หากคุณชอบบทความนี้ สามารถสนับสนุนเราได้ผ่าน PromptPay
本文来自网络搜集，不代表คลื่นสร้างอนาคต立场，如有侵权，联系删除。转载请注明出处：https://www.itsolotime.com/th/archives/22943