新智元报道
新智元报道
现有工作利用RL提升了视觉语言模型（VLM）的推理能力，但其任务场景往往是几何或者图表推理。这种领域上的局限，制约了VLM的探索和学习。如何拓展VLM的RL训练领域呢？电子游戏视觉元素丰富，且规则明确而可验证，因而是理想的多模态推理数据源。由此，复旦大学NLP实验室的研究团队提出了Game-RL——构造多模态可验证的游戏任务来强化训练VLM。
图1：GameQA数据集中各游戏类别的代表性游戏：3D重建、七巧板（变体）、数独和推箱子。各游戏展示两个视觉问答示例，包含当前游戏状态图片，相应的问题，以及逐步推理过程和答案。Code2Logic方法创新性地基于游戏代码合成多模态可验证游戏任务数据。如图2，利用强LLM生成游戏代码、设计任务及其模板、构建数据引擎代码，最后只要执行代码便能自动生成数据。
图2：Code2Logic方法，借助LLM通过三个核心步骤将游戏代码转换为推理数据。第一步：游戏代码构建；第二步：游戏任务及其QA模板设计；第三步：数据引擎构建，基于前两步构建自动化程序，然后只要执行代码就能自动批量生成数据。GameQA丰富的游戏任务数据集
利用Code2Logic方法构建了GameQA数据集，这些多模态可验证游戏数据可以用于VLM推理能力的训练和评测。GameQA有：4大认知能力类别、30个游戏（如图3）、158个推理任务、14万个问答对。难度分级：任务按难度分三级；样本按视觉输入复杂度分三级。图3：GameQA的30个游戏，分为4个认知能力类别，涵盖3D空间推理、模式识别与匹配、多步推理、策略规划。20个域内游戏用于训练和测试，而10个域外游戏不参与训练，用于测试模型在未见游戏场景下的泛化能力。
核心发现Game-RL可提升VLM的通用推理在GameQA上使用GRPO训练，4个开源VLM在7个完全域外的通用视觉语言推理基准上均取得提升（Qwen2.5-VL-7B平均提升2.33%），展现出跨领域泛化，如表1。
表1：通用视觉语言推理基准上的评测结果训练效果GameQA匹敌几何数据集研究团队用GameQA和几何与图表推理数据集进行对比训练，发现GameQA可与之匹敌。如表2，尽管训练数据量更少且领域不匹配，但GameQA训的模型在通用基准上总体表现很有竞争力。而且在MathVista与MathVerse这两个和几何与函数推理有关的基准上，Game竟能匹敌更「对口」的几何推理数据训练。这表明游戏中的认知多样性和推理复杂性，具有通用性和迁移能力。
Scaling Effect训练数据量和游戏个数的影响
数据量的Scaling Effect：加大训练的GameQA数据量至20K，实验显示，模型在通用推理基准上的表现总体呈持续提升，如图4。
深度剖析Game-RL后模型能力提升在哪？
为更好理解Game-RL对VLM推理能力的提升，研究团队随机采样了案例进行了细致的人工分析。结果显示，Game-RL后，模型在视觉感知和文本推理两个方面都有提升，如图6。
结论
研究提出了Game-RL以及游戏数据合成方法Code2Logic，构建了GameQA数据集，将VLM强化训练领域拓展到游戏场景。通过实验，研究团队验证了Game-RL能提升VLM的通用推理。进一步而言，也揭示了游戏场景可以提供多模态、可控、可验证数据，具有重要价值。
文章原文
