登顶多模态推理榜MMMU！UCSD新方法超越GPT-5、Gemini

【导读】DreamPRM由加州大学圣地亚哥分校的研究团队开发，在数学推理权威测评榜MMMU上获得了第一名。

近年来，大语言模型（LLM）在推理能力上的进展显著，其中过程奖励模型（Process Reward Model, PRM）的提出，使得模型能够在推理链条的中间步骤获得监督，从而更稳健地选择合理的解题路径。

这类方法在文本推理任务中已经取得了良好效果，但在扩展至多模态场景时，仍然面临两个突出挑战：

分布偏移：多模态输入空间巨大，训练与推理分布往往存在显著差异；

数据质量不均：大规模训练集不可避免地包含噪声或低质量样本，降低了有效监督信号。

因此，如何在多模态推理中有效利用高质量样本，抑制噪声样本的负面影响，成为亟需解决的问题。

针对于此，研究人员设计了新的训练框架，通过双层优化框架，将数据样本的权重（Instance Weights）作为可学习参数，动态改变数据样本的在训练中的影响。

论文地址：https://arxiv.org/abs/2509.05542

代码地址：https://github.com/coder-qicao/DreamPRM-1.5

MMMU Leaderboard

论文 第一作者为博士生Qi Cao，通讯作者为该校副教授Pengtao Xie。

从DreamPRM到DreamPRM-1.5

从「领域加权」到「样本加权」

此前，研究人员提出了DreamPRM框架，通过领域级重加权（domain reweighting）的方式，在不同数据子集之间分配权重，从而提升训练效果。

在此基础上，DreamPRM-1.5将加权粒度进一步细化到单个训练样本：

• 高质量样本获得更大权重；

• 低质量或噪声样本权重降低。

这种实例级重加权（instance reweighting）策略，使模型能够充分挖掘每条数据的潜在价值。

两种方法：Instance Table和Instance Net

DreamPRM1.5的两种模型架构

为了实现「样本级加权」，研究人员设计了两种互补方案：

Instance Table

给每个训练样本一个独立的权重参数；

灵活度高，尤其适合小规模数据集；

缺点是参数量和样本数挂钩，数据一大就很难撑住。

Instance Net

不直接存表，而是用一个小型MLP网络来预测每条数据的权重；

参数量固定，不受数据规模限制；

更适合大规模训练，泛化能力更强。

这就像两种「学习笔记」方式：Instance Table 像是给每道题都写一条批注；Instance Net 则像是总结出一套「看题给分」的规则。

方法核心

双层优化（Bi-level Optimization）

DreamPRM-1.5 的训练流程采用双层优化框架：

1. 下层优化：利用样本权重对 PRM 进行更新：

1. 上层优化：在元数据集上评估推理表现，并基于反馈动态更新样本权重：

这种设计确保了权重的学习不是静态设定，而是由推理效果驱动、动态调整的，从而增强了模型在复杂任务中的适应性。

生成式奖励模型

面向推理过程的打分机制

在DreamPRM-1.5中，研究人员采用了生成式奖励模型（Generative Reward Model）来对推理过程中的每一步进行评分。其核心思想是：

• 评分方式：模型在每一步输出「+」或「-」，分别表示该步推理是否合理；

• 打分机制：通过softmax计算 「+」 的概率，将其作为该步骤的置信度；

• 聚合策略：对整条推理链的步骤分数进行聚合（平均），再与标准答案进行对比，用于指导样本权重的更新。

这一设计的优点在于，它不仅能逐步评估推理链条的合理性，还能为实例重加权提供更细粒度的信号。

实验设计与实现细节

1. 模型基座：采用InternVL3-1B作为PRM的基础模型，并在推理阶段基于GPT-5-mini进行测试。设计了生成式奖励模型的

2. 训练数据：从VisualPRM-400k中采样不同规模的数据（12k、100k）分别训练Instance Table与Instance Net

3. 元数据集：使用MMMU-Pro的标准分割（仅使用test set数据，以避免与validation set出现重合），生成候选推理链作为meta set，用于权重更新。

4. 训练流程：

冷启动：先进行一次有监督微调（20k样本），使模型能够稳定输出「+/-」标记；

双层优化：在此基础上进行100k步迭代，采用AdamW优化器与余弦学习率调度。

1. 计算资源：单卡NVIDIA A100，训练约72小时完成

实验结果

在MMMU基准上的表现

研究人员在MMMU（Massive Multi-discipline Multimodal Understanding）基准上对方法进行了系统评测。

该基准涵盖30个学科、183个子领域，题型覆盖图表、地图、化学结构等多模态输入，是目前最具挑战性的推理测试之一。

主要结果

• GPT-5-mini w/ thinking（基线）：80.0%

• DreamPRM-1.5（Instance Table）：84.6% （+4.6）

• DreamPRM-1.5（Instance Net）：83.6% （+3.6）

对比分析

• No Selection：使用相同数据但不做重加权，仅有 79.1%，验证了实例加权的重要性；

• VisualPRM：尽管使用完整的 400k 数据集，但仅达到 80.5%，说明数据规模并不能完全弥补质量差异；

• Self-consistency：经典的 test-time scaling 方法为 81.4%，依然低于 DreamPRM-1.5。

整体来看，DreamPRM-1.5 不仅显著超越了基于 GPT-5-mini 的多种强基线，还在精度上超过了GPT-5（84.2%）和Gemini 2.5 Pro Deep-Think（84.0%）等顶级闭源模型。

结论与展望

DreamPRM-1.5将实例级重加权引入多模态推理训练中，通过双层优化动态调整样本权重，使模型能够更好地识别和利用高质量数据。

主要贡献体现在：

• 提出实例级重加权框架，突破了仅在领域级别加权的限制；

• 设计了Instance Table 与 Instance Net两种互补实现，兼顾小规模与大规模训练场景；

• 在MMMU基准上取得新的SOTA结果，超过多个闭源大模型。

这一结果表明，在未来的推理模型研究中，数据质量的精细利用方式也是值得关注的重要方面。

更智能的样本加权与过程评分方法，有望成为推动多模态推理进一步发展的关键方向。

参考资料：

https://arxiv.org/abs/2505.20241v2