TRON: 視覚推論RL向け520環境の検証可能なオンライン学習基盤

要約

視覚推論の強化学習において、スケーラブルで検証可能な訓練信号を提供する基盤「TRON」が提案された。コントローラブルなジェネレーター・ベリファイアープログラムが動的に画像・質問・回答を生成し、固定データセットの制約を超えた無制限の学習インスタンスを供給できる。現在は空間・数学・図解・パターン論理・カウントの5カテゴリに分類された520環境を収録している。Qwen3-VL-4BやMiMo-VL-7Bなど複数のVLMで10の外部ベンチマーク性能が向上したことも確認されている。