論文の概要: VeriEvol: Scaling Multimodal Mathematical Reasoning via Verifiable Evol-Instruct

• arxiv url: http://arxiv.org/abs/2606.23543v1
• Date: Mon, 22 Jun 2026 16:17:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 18:21:35.210881
• Title: VeriEvol: Scaling Multimodal Mathematical Reasoning via Verifiable Evol-Instruct
• Title（参考訳）: VeriEvol: 検証可能なEvol命令によるマルチモーダル数学的推論のスケーリング
• Authors: Haoling Li, Kai Zheng, Jie Wu, Can Xu, Qingfeng Sun, Han Hu, Yujiu Yang,
• Abstract要約: ビジュアルな数学的推論のための強化学習のスケーリングは、難しい質問を生成すること以上のものを必要とします。 これは2つのコンポーネントからなる反復的なフレームワークであるVeriEvolとしてインスタンス化します。 5ベンチマークのビジュアル・マス・スイートでは、10Kから250KサンプルまでのSFTデータのスケーリングが平均精度を35.42から54.73に引き上げている。
• 参考スコア（独自算出の注目度）: 71.22358682581215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scaling reinforcement learning for visual mathematical reasoning requires more than generating harder questions: as data volume grows, the reward labels themselves must remain reliable. Yet existing data pipelines scale supervision while trusting the labeller, and policy-side methods assume the underlying answers are already correct. We instead treat scaling as a verifiable data-construction problem and decouple two axes before any policy update: prompt difficulty, expanded by route-specific evolution operators, and answer reliability, enforced by offline hypothesis-test falsification. We instantiate this as VeriEvol, an iterative framework with two extensible components: a type-aware evolution module that rewrites low-difficulty image-question seeds into harder, image-grounded prompts; and HTV-Agent, a verifier that accepts an answer only after multi-source counter-evidence has failed to refute it. The resulting verified data scales in volume, extends by adding evolution routes or verifier channels, and plugs directly into existing GRPO-style RL recipes. On a five-benchmark visual-math suite, scaling evolved SFT data from 10K to 250K samples raises the mean accuracy from 35.42 to 54.73; then, with backbone, SFT initialization, and GRPO recipe held fixed, VeriEvol adds a cumulative +3.88 over an un-evolved RL baseline, of which +1.82 comes from evolved prompts and +2.06 from the HTV-Agent verifier. We release the prompts, data, models, code, and the full verifier trace of every sample, so that downstream work can scale and audit the pipeline rather than only inspect its outputs.
• Abstract（参考訳）: ビジュアルな数学的推論のための強化学習のスケーリングは、より難しい質問を生み出すこと以上のものを必要とします。 しかし、既存のデータパイプラインはラベルラーを信頼しながら監視をスケールし、ポリシーサイドのメソッドは、根底にある答えがすでに正しいと仮定する。 その代わりに、スケーリングを検証可能なデータ構成問題として扱い、任意のポリシー更新の前に2つの軸を分離する:即時困難、ルート固有の進化演算子によって拡張、そしてオフライン仮説テストのファルシフィケーションによって強制される信頼性に答える。 私たちはこれを,2つの拡張可能なコンポーネントを備えた反復的フレームワークであるVeriEvolとしてインスタンス化します。低拡散性のイメージ探索シードをより難しいイメージグラウンドのプロンプトに書き換える型認識進化モジュールと,マルチソースの反証拠が解決しなかった後にのみ回答を受け入れる検証器であるHTV-Agentです。 その結果、検証されたデータはボリュームを拡大し、進化経路や検証チャネルを追加して拡張し、既存のGRPOスタイルのRLレシピに直接プラグインする。 5ベンチマークのビジュアル・マス・スイートでは、スケール進化したSFTデータを10Kから250Kのサンプルで平均精度を35.42から54.73に引き上げ、その後、バックボーン、SFT初期化、GRPOのレシピが固定され、VeriEvolは未進化のRLベースラインに累積+3.88を追加し、+1.82は進化したプロンプトから派生し、+2.06はHTV-Agent検証器から派生した。 私たちは、各サンプルのプロンプト、データ、モデル、コード、および完全な検証対象トレースを公開します。

関連論文リスト

• REVES: REvision and VErification--Augmented Training for Test-Time Scaling [53.197756110943395]
  本稿では,オンラインデータ/プロンプト拡張とポリシー最適化を交互に行う2段階反復フレームワークを提案する。 我々は、RLベースライン上の+6.5点と、標準マルチターントレーニングにおける+4.0点の利得を観察する。
  論文  参考訳（メタデータ） (2026-06-17T10:37:23Z)
• VeriTrace: Evolving Mental Models for Deep Research Agents [43.43659414477917]
  ディープリサーチエージェントは、膨大な、相互依存的で広範囲に不確実な情報に直面します。 既存のシステムは、進化する中間表現がどのようなものになるべきかを探索するが、その進化は暗黙の推論に任せる。 エージェントのメンタルモデルは、タスク理解と現実を継続的に整合させる明示的なフィードバックを通じて進化すべきである、と我々は主張する。
  論文  参考訳（メタデータ） (2026-05-25T17:46:57Z)
• Trace2Skill: Verifier-Guided Skill Evolution for Long-Context EDA Agents [0.3733676450456031]
  テスト時間スケーリングフレームワークであるTrace2Skillを提案する。 新しいモデルをトレーニングしたり、より多くの候補ソリューションをサンプリングする代わりに、Trace2Skillはエージェントの自然言語スキルを進化可能なポリシーとして扱う。 成功と失敗モードのために繰り返しロールアウトトレースをマイニングし、それらを密集した診断やオラクルのレッスンに変換し、オラクル、ミューテータ、セレクタループを使用してタスク固有のスキルを生成する。
  論文  参考訳（メタデータ） (2026-05-20T23:10:49Z)
• GUI-Libra: Training Native GUI Agents to Reason and Act with Action-aware Supervision and Partially Verifiable RL [64.8155693023222]
  オープンソースのネイティブGUIエージェントは、長い水平ナビゲーションタスクのクローズドソースシステムに遅れを取っている。 このギャップは、高品質でアクション整合性のある推論データが不足していることに起因している。 GUI-Libraは、これらの課題に対処する調整されたトレーニングレシピです。
  論文  参考訳（メタデータ） (2026-02-25T18:34:57Z)
• Pull Requests as a Training Signal for Repo-Level Code Editing [49.82435173554125]
  Clean Pull Request(Clean-PR)は、現実のGitHubプルリクエストをリポジトリレベルの編集のトレーニングシグナルとして活用する、トレーニング中のパラダイムである。 ノイズの多いプルリクエストの差分を,再構築と検証を通じて検索/リプレース編集ブロックに変換する,スケーラブルなパイプラインを導入する。 SWE-benchでは,SWE-bench Liteが13.6%,SWE-bench Verifiedが12.3%,命令調整ベースラインが大幅に向上した。
  論文  参考訳（メタデータ） (2026-02-07T09:22:25Z)
• Scaling the Scaling Logic: Agentic Meta-Synthesis of Logic Reasoning [18.75349680577575]
  SSLogicは、コントロール可能な困難を伴う継続的家族進化のためのフレームワークである。 SSLogicに進化したデータのトレーニングは、一致したステップでシードベースラインに対して一貫した利得を得る。
  論文  参考訳（メタデータ） (2026-01-23T13:26:01Z)
• Fact Checking Beyond Training Set [64.88575826304024]
  本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。 本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。 次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
  論文  参考訳（メタデータ） (2024-03-27T15:15:14Z)
• Inverse Scaling: When Bigger Isn't Better [80.42834197416444]
  大規模言語モデル(LM)は、スケールの増大による全体的な損失に対する予測可能な改善を示している。 我々は,LMが逆スケーリングや,スケールの増大に伴うタスクパフォーマンスの悪化を示す可能性があるという主張を裏付ける証拠を示す。
  論文  参考訳（メタデータ） (2023-06-15T20:11:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。