MMVistaReason: Çok Modlu Akıl Yürütme İçin Açık Veri ve Eğitim Sonrası (Post-Training) Tarifleri

Giriş ve Problem Tanımı#

Açık kaynaklı çok modlu akıl yürütme (multimodal reasoning) modelleri, büyük ölçekli akıl yürütme denetiminden önemli ölçüde faydalanmıştır. Ancak güvenilir bir eğitim sonrası (post-training) süreci oluşturmak; dengesiz veri kalitesi, verimsiz denetim inşası, orantısız zorluk seviyeleri ve alanlar arası çakışma (cross-domain interference) nedeniyle hâlâ büyük bir mühendislik zorluğudur. MMVistaReason (MVR), bu sorunları aşmak için üç temel bileşenden oluşan açık veriye dayalı bir eğitim sonrası tarifi sunar:

• 1. Daha Geniş Yetenek Kapsamı: Yapılandırılmış akıl yürütmeye odaklanan Analitik grup ile görsel algı ve uzamsal temellendirmeyi (spatial grounding) vurgulayan Gerçek Dünya (Real-World) akıl yürütme grupları arasında birbirini tamamlayıcı, geniş kapsamlı bir yetenek dağılımı sağlanır.
• 2. Verimli SFT ve RL Veri İnşası: Heterojen açık veriler, aşamalı temizleme ve etiketleme ile standartlaştırılır. Zorluk duyarlı kademeli öğretmen damıtımı (cascaded teacher distillation) ile yanıt olasılığına dayalı yörünge (trajectory) seçimi birleştirilerek MVR-SFT-528K veri seti oluşturulur; ayrıca MVR-RL-63K için ölçeğe özgü sınır filtreleme (frontier filtering) uygulanır.
• 3. Önce Uzmanlaş Sonra Birleştir (Specialize-Then-Integrate) Eğitimi: Birbirini tamamlayan pekiştirmeli öğrenme (RL) uzmanları ayrı ayrı eğitilir ve yetenekleri çoklu öğretmen politika içi damıtım (MOPD - Multi-Teacher On-Policy Distillation) yoluyla tek bir modelde konsolide edilir.

Model Kapasitesi ve Performans Analizi#

Yapılan analizler; denetim zorluğu, yörünge kalitesi ve model kapasitesi arasında kapasiteye bağlı kritik bir etkileşim olduğunu ortaya koymaktadır. Daha küçük öğrenci modeller özenle seçilmiş denetim verilerinden daha fazla fayda sağlarken, daha büyük modeller yörünge varyasyonlarına ve karma alan çakışmalarına karşı daha dayanıklıdır. Karma alanlı RL eğitimi test (benchmark) düzeyinde negatif transfere yol açarken, MOPD tutarlı bir yetenek entegrasyonu sağlar ve tercih edilen KL (Kullback-Leibler) yönü model ölçeğine göre değişiklik gösterir.

15 farklı çok modlu kıyaslama testinde MVR-4B, MMFineReason'a kıyasla yaklaşık %70 daha az örnek kullanarak ortalama 72.8 puan elde etmiş ve hem Qwen3.5-9B (Instruct) hem de MMFineReason-8B modellerini geride bırakmıştır. Modelin 9B ölçeğine çıkarılması ise ortalamayı 74.4 seviyesine taşıyarak Qwen3.5-35B-A3B (Instruct) modelini geride bırakmıştır.

Yazılım Geliştirme ve Mühendislik İçin Pratik Çıkarımlar#

Modern yapay zeka mühendisliği ve model ince ayarı (fine-tuning) süreçleri açısından bu makaleden çıkarılabilecek temel pratik dersler şunlardır:

• Veri Niceliğinden Çok Niteliği: MVR-4B'nin %70 daha az veri ile kendisinden iki kat büyük modelleri geçmesi, yazılım ekiplerinin ham veri toplamak yerine aşamalı veri temizleme ve zorluk derecesine göre filtreleme boru hatlarına (pipeline) yatırım yapması gerektiğini kanıtlar.
• Kapasiteye Duyarlı Eğitim Tasarımı: Küçük ve orta ölçekli modeller (örneğin 4B-8B) gürültülü verilere karşı hassastır. Donanım kısıtlamaları nedeniyle küçük modellerle çalışan geliştiriciler, yörünge kalitesini filtrelemeye öncelik vermelidir.
• Modüler Uzmanlaşma: Farklı yetenekleri (analitik mantık ve görsel algı gibi) tek bir RL eğitiminde karıştırmak yerine, ayrı uzmanlar eğitip MOPD benzeri damıtım teknikleriyle birleştirmek negatif transferi önler ve üretim ortamında daha kararlı modeller sunar.

Sonuç olarak MMVistaReason, sistematik açık veri inşası ve kapasite duyarlı eğitim sonrası süreçlerin, güvenilir çok modlu akıl yürütme modelleri geliştirmek için pratik ve ölçeklenebilir bir yol sunduğunu kanıtlamaktadır.