إليك الترجمة العربية للنص التقني، مع مراعاة الدقة والمصطلحات العلمية والأسلوب الأكاديمي الرصين:أدت التطورات الأخيرة في نماذج الاستدلال الضخمة (Large Reasoning Models) إلى زيادة الاهتمام بتوسيع نطاق هذه القدرات لتشمل المجالات متعددة الوسائط (Multimodal Domains). ومع ذلك، وعلى الرغم من التقدم الملحوظ في مجال الاستدلال البصري، فإن غياب استراتيجيات شفافة وقابلة للتكرار في تنسيق البيانات والتدريب لا يزال يشكل عائقاً رئيسياً أمام الأبحاث القابلة للتوسع.في هذا العمل، نقدم محرك "OpenMMReasoner"، وهي منهجية شفافة بالكامل تتكون من مرحلتين للاستدلال متعدد الوسائط، تشمل الضبط الدقيق بالإشراف (SFT) والتعلم المعزز (RL). في مرحلة الضبط الدقيق بالإشراف (SFT)، قمنا ببناء مجموعة بيانات للإطلاق البارد (Cold-start Dataset) تضم 874 ألف عينة تخضع لعملية تحقق صارمة خطوة بخطوة، مما يوفر أساساً قوياً لقدرات الاستدلال. وتستفيد مرحلة التعلم المعزز (RL) اللاحقة من مجموعة بيانات تضم 74 ألف عينة تغطي مجالات متنوعة، وذلك لزيادة صقل هذه القدرات وتعزيز استقرارها، مما ينتج عنه عملية تعلم أكثر متانة وكفاءة.تُظهر التقييمات الشاملة أن وصفة التدريب الخاصة بنا لا تتفوق فقط على النماذج المرجعية القوية (Baselines)، بل تسلط الضوء أيضاً على الدور الحاسم لجودة البيانات وتصميم التدريب في تشكيل أداء الاستدلال متعدد الوسائط. والجدير بالذكر أن طريقتنا تحقق تحسناً بنسبة 11.6% مقارنة بالنموذج المرجعي "Qwen2.5-VL-7B-Instruct" عبر تسعة معايير لقياس أداء الاستدلال متعدد الوسائط، مما يرسخ أساساً تجريبياً متيناً للأبحاث المستقبلية واسعة النطاق في هذا المجال.لقد قمنا بإتاحة جميع الأكواد البرمجية، ومسارات المعالجة (Pipeline)، والبيانات كمصدر مفتوح عبر الرابط: https://github.com/EvolvingLMMs-Lab/OpenMMReasoner