大型推理模型（Large Reasoning Models）的最新进展，激发了将此类能力扩展至多模态领域的强烈兴趣。然而，尽管视觉推理方面取得了显著进步，但由于缺乏透明且可复现的数据策展（Data Curation）与训练策略，规模化研究仍面临主要障碍。在本文中，我们推出了 OpenMMReasoner，这是一套涵盖监督微调（SFT）与强化学习（RL）的完全透明的两阶段多模态推理训练方案。在 SFT 阶段，我们构建了一个包含 87.4 万样本的冷启动数据集（Cold-start Dataset），并辅以严格的逐步验证（Step-by-step Validation）机制，为推理能力奠定了坚实基础。随后的 RL 阶段利用覆盖多种领域的 7.4 万样本数据集，进一步强化并稳定了这些能力，从而实现更具鲁棒性且高效的学习过程。广泛的评估结果表明，我们的训练方案不仅超越了强有力的基线模型，还凸显了数据质量与训练设计在塑造多模态推理性能中的关键作用。值得注意的是，在九项多模态推理基准测试中，我们的方法相较于 Qwen2.5-VL-7B-Instruct 基线实现了 11.6% 的性能提升，为未来的大规模多模态推理研究建立了坚实的实证基础。我们已在 https://github.com/EvolvingLMMs-Lab/OpenMMReasoner 开源了所有的代码、流程及数据。