FineReason ist ein Datensatz, der 2025 von OpenDataArena veröffentlicht wurde und zum Trainieren und Evaluieren der visuellen Schlussfolgerungsfähigkeiten großer multimodaler Modelle (LMMs) dient. Ziel ist die Verbesserung der interpretierbaren und überprüfbaren Fähigkeiten von Modellen zum logischen Schlussfolgern über lange Ketten hinweg in Szenarien wie visuellen Rätseln, Spielen, komplexem Graph-Reasoning und Anwendungen in den MINT-Fächern (Mathematik, Informatik, Naturwissenschaften und Technik).

Dieser Datensatz umfasst verschiedene Aufgabentypen, darunter Geometrieprobleme (geometry3k / geo170k), Diagramm- und Flussdiagrammverständnis (AI2D) sowie visuelle Denk- und Beobachtungsrätsel (visualwebinstruct usw.). Alle Beispiele verwenden ein einheitliches Datenformat mit einer eindeutigen ID, dem Fragetext, dem zugehörigen Bild und der begründeten Antwort. Der Datensatz wurde aus mehreren öffentlichen Teilmengen zusammengestellt, und seine Schlussfolgerungsketten wurden mithilfe des Qwen3-VL-235B-a22B-Denkmodells extrahiert. Dadurch wird sichergestellt, dass alle Beispiele einen klar strukturierten, nachvollziehbaren und schrittweisen Lösungsprozess aufweisen.

Datenzusammensetzung (ständig erweiterbar):

• BMMR: 42.647 Einträge
• Euclid30K: 27.111 Einträge
• ai2d_merged: 2.446 Einträge
• geo170k (Fragen und Antworten): 12.101 Ergebnisse
• geometry3k / mathv360k: 9.724 Ergebnisse
• ScienceQA: 6.146 Ergebnisse
• TQA (TextbookQA): 12.565 Artikel
• VisualWebInstruct (gefiltert): 261.436 Ergebnisse
• MMR1: 1.000 Stück
• VisualSphinx: 3.781 Ergebnisse
• MMOpenR1-8K: 7.428 Einträge