可能是目前最好的3B多模態(tài)模型，有望做“AI作業(yè)幫”
作者 | 徐浚哲、尹宇陽
我們團(tuán)隊近期開源多模態(tài)模型VLR1-3B的預(yù)覽版（preview），歡迎大家嘗試：
https://huggingface.co/TencentBAC/TBAC-VLR1-3B-preview
我們訓(xùn)練了一個3B的“小”模型，使用了強(qiáng)化學(xué)習(xí)訓(xùn)練方式，增強(qiáng)了推理性能。達(dá)到了同級別模型中推理能力第一（SOTA）。
主要是數(shù)學(xué)相關(guān)的測試，在MathVista和MathVision這兩個權(quán)威AI數(shù)學(xué)榜單的官網(wǎng)上，VLR1-3B 這“小”模型不僅都在榜，而且比很多商業(yè)閉源大模型（如Gemini1.5和GPT-4V）表現(xiàn)都要強(qiáng)，甚至在MathVista的評測中領(lǐng)先GPT-4o～
同時對比了多個banchMark結(jié)果，Average第一～
Model | Average | MathVista | MathVision | MathVerse | DynaMath | WeMath | LogicVista |
Qwen2-VL-2B | 20.5 | 48.0 | 16.1 | 17.5 | 3.8 | 10.8 | 26.6 |
InternVL2.5-2B | 21.2 | 51.1 | 14.0 | 22.3 | 4.4 | 8.0 | 27.3 |
InternVL3-2B | 29.1 | 57.6 | 20.2 | 24.5 | 14.8 | 22.9 | 40.3 |
Qwen2.5-VL-3B | 31.8 | 61.2 | 21.9 | 31.2 | 13.2 | 22.9 | 40.3 |
VLM-R1-3B-Math-0305 | 33.4 | 62.7 | 21.9 | 32.2 | 13.0 | 30.0 | 40.5 |
Taichu-VLR-3B | 33.6 | 64.9 | 23.1 | 32.1 | 12.6 | 30.4 | 38.7 |
VLAA-Thinker-Qwen2.5VL-3B | 35.4 | 61.0 | 24.4 | 36.4 | 18.2 | 33.8 | 38.5 |
TBAC-VLR1-3B-preview | 35.7 | 64.8 | 25.0 | 33.2 | 17.7 | 32.4 | 40.8 |
正巧最近正愁幫鄰居剛上初中的孩子批數(shù)學(xué)作業(yè)，被多項式計算和幾何證明搞得焦頭爛額的。
現(xiàn)在試著擼個自己的“AI作業(yè)幫”，幫干活。
一、AI作業(yè)助手
要說明的是，AI作業(yè)助手，特別是數(shù)學(xué)作業(yè)助手，僅僅有答案還不夠，更重要的是給出推導(dǎo)過程。這也是VLR1-3B的重要能力，就是它的推理能力。
下面來看一下搭載了VLR1-3B模型后，我這個丐版的“作業(yè)幫”真實(shí)的答題效果。
1. 多項式計算
先從真題試卷中截取了兩道基礎(chǔ)計算題進(jìn)行測試：
哪怕是拍照的試卷問題也可以準(zhǔn)確的識別，計算過程也清晰，答案正確??，通過。再試一道：
很好，應(yīng)用了正確的公式??，鄰居家小孩似乎可以愉快的抄寫作業(yè)了呢??
2. 坐標(biāo)系理解
接下來要稍微上一點(diǎn)難度，看看 VLR1-3B 對平面直角坐標(biāo)系的理解如何：
不錯，一開始就理解了這一題的考點(diǎn)，并告知了題點(diǎn)，橫縱坐標(biāo)都為負(fù)的點(diǎn)，然后還分析了每個選項，給出正確答案。解釋的有理有據(jù)??。以后還會有家長給熊孩子講題講到心梗嗎??
3. 函數(shù)計算
下面要進(jìn)行的是函數(shù)計算，依然考驗(yàn)?zāi)Ｐ蛷膱D片中正確的讀取函數(shù)公式，并依靠推理能力得出函數(shù)計算結(jié)果：
問題：f(4)等于多少？
函數(shù)識別??，計算過程??，答案?。
4. 平面幾何
接下來是重中之重的測試，平面幾何。先來兩道填空題：
問題：△ABC的兩內(nèi)角平分線OB、OC相交于點(diǎn)O，若∠A＝110°，則∠BOC＝（）
表現(xiàn)依然出色，不僅給出了詳盡的推理過程，還給出了準(zhǔn)確的答案 ?
接下來再來一題：
問題：如圖，在△ABC中，AB＝8，BC＝12，點(diǎn)D、E分別是邊AB、AC的中點(diǎn)，點(diǎn)F是線段DE上的一點(diǎn)，連接AF、BF，若∠AFB＝90°，則線段EF的長為（）
非常棒平面幾何解題能力??，在應(yīng)用了正確的公式定理下，還會用“∵”，“∴”等專業(yè)的數(shù)學(xué)推理符號
平面幾何是中學(xué)數(shù)學(xué)的重點(diǎn)，與填空和選擇不同，模型有可能靠蒙答對題（人也會哈），這種證明類型的題目更考驗(yàn)?zāi)Ｐ偷摹罢姹臼隆?，再來測試一道平面幾何的證明題：
沒問題，證明過程清晰，測試通過 ?。
5. 物理
既然 VLR1-3B 在數(shù)學(xué)方面表現(xiàn)的這么好，何不再挑戰(zhàn)一下，做個物理題試試？
哦吼~，物理題也能答，還能解釋對自己的選擇。
二、What's more?
從之前的測試來看，VLR1-3B 有確實(shí)有著出眾的數(shù)學(xué)能力，從圖片的公式理解到答案的推理求解，甚至格式的輸出都有著令人滿意的效果。既然如此，當(dāng)然就要“強(qiáng)模型所難”， 考驗(yàn)一下VLR1-3B 在其他通用多模態(tài)場景的表現(xiàn)：
先用我最喜歡的貓咪開始測試，詢問它圖中貓的花紋、品種和年齡：
Bingo，回答很準(zhǔn)確~
再來，因?yàn)橛袕氖碌氖亲詣玉{駛算法研究的經(jīng)驗(yàn)，所以凡是遇到有視覺能力的模型，都會被我拿來測一下：
連自動駕駛車輛都認(rèn)識，那真實(shí)道路場景表現(xiàn)怎么樣呢？
相當(dāng)可以，車輛數(shù)量、顏色、類型都判斷正確 ?，同時天氣和駕駛環(huán)境也準(zhǔn)確識別。再來個夜晚場景，問問前方車輛的行駛意圖：
看來可以呀，到這，發(fā)現(xiàn)這確實(shí)是個麻雀雖小，五臟俱全的多模態(tài)模型～
三、結(jié)語
總體測試下來，過程中雖然也遇到了該級別模型的常見問題——如思考過程中的幻覺，特別是一些測試中，結(jié)果是正確的，但思考過程卻明顯失誤。但在后續(xù)更新和實(shí)際落地場景中，使用場景數(shù)據(jù)來Fine-tune后的模型能取得更好的效果。
話又說回來，畢竟是一個只有 3B的模型，它有望成為開源本地 “家庭 AI 作業(yè)幫”的的選手，后續(xù)會發(fā)表詳細(xì)的技術(shù)報告和論文。同時公開更多尺度的模型～
