多模態大模型在圖像問答和視覺理解等領域雖然取得了顯著進展，但在數學推理這一核心挑戰上依然存在明顯短板。北京郵電大學、騰訊微信和清華大學的聯合研究團隊針對這一痛點，正式發佈了We-Math2.0——一個突破性的多模態數學推理數據集和知識體系。

這個全新系統的核心亮點在於構建了一個前所未有的系統化數學知識框架，該框架涵蓋了從小學基礎數學到大學高等數學的完整知識譜系，包含491個細分知識點和1819個核心知識原理。這種全覆蓋式的知識體系設計爲AI模型提供了紮實的數學理論基礎。

image.png

創新知識架構:定義-定理-應用三位一體

We-Math2.0採用了定義-定理-應用的邏輯架構，確保數學概念之間形成清晰的關聯網絡。這種設計不僅符合人類數學學習的認知規律，更爲AI模型提供了結構化的推理路徑。通過這種方式，模型能夠更好地理解數學概念的內在聯繫，而非簡單的模式匹配。

針對現有開源數據集質量參差不齊的問題，研究團隊採用了手工設計題目和繪圖的方式，精心構建了MathBook-Standard數據集。該數據集創新性地採用了一題多圖和一圖多題的策略，爲每個知識原理提供了多角度的問題覆蓋，大幅提升了數據的多樣性和實用性。

三維難度建模:讓AI學會循序漸進

We-Math2.0的另一個重要創新是MathBook-Pro模塊，該模塊對多模態數學題目進行了精細的三維難度建模。通過系統性地增加推理步驟複雜度、視覺複雜度和語境複雜度三個維度的難度，研究團隊成功將每道基礎題目擴展爲8個不同難度級別的樣本。

這種漸進式難度設計使得AI模型能夠像人類學生一樣，從簡單問題開始逐步提升解題能力，最終應對複雜的多模態數學挑戰。這一方法論對於提升模型的泛化能力具有重要意義。

混合訓練策略:監督學習與強化學習雙輪驅動

在訓練方法上，We-Math2.0採用了創新的混合訓練策略。系統首先通過1000條高質量數據進行監督微調，建立基礎的數學推理能力，隨後引入強化學習算法進行深度優化。

特別值得關注的是，該系統還實現了動態調度學習機制，模型能夠根據不同類型的錯誤智能調整訓練數據的權重和分佈。這種自適應學習方式顯著提升了訓練效率和效果。

實驗驗證:多項指標顯著提升

初步實驗結果表明，經過We-Math2.0優化的模型在多個主流數學推理測試集上的表現均實現了顯著提升。這一結果不僅驗證了新系統的有效性，更爲多模態數學AI的發展提供了重要的技術支撐。

AIbase分析 We-Math2.0的發佈具有重要的學術和實用價值。從學術角度來看，該系統爲多模態數學推理研究提供了標準化的數據集和評估框架;從應用角度來看，這一突破有望推動AI在數學教育、科學計算和工程應用等領域的深度應用。

通過建立系統化的知識框架、創新的難度建模方法以及混合訓練策略，We-Math2.0不僅解決了當前多模態數學AI面臨的核心挑戰，更爲未來的數學教育智能化和科學研究自動化奠定了堅實基礎。這一項目的成功實施，標誌着AI在複雜推理任務上又邁出了重要一步。

隨着We-Math2.0的開源發佈，預期將有更多研究團隊基於這一平臺開展相關研究，進一步推動多模態數學AI技術的快速發展。

論文地址：https://arxiv.org/pdf/2508.10433