港中文MMLab突破多模态数学推理瓶颈，MINT-CoT模型准确率暴涨32%

香港中文大学MMLab团队发布MINT-CoT模型，解决多模态数学推理三大瓶颈：细粒度视觉区域选择、数学图像感知不足、对外部工具依赖。该模型通过动态选取视觉token与文本联合推理，在MathVista等数据集准确率提升32.59%至23.2%，超越现有SOTA模型。团队还构建了5.4万条专属训练数据集，并采用三阶段训练策略逐步提升推理能力。