思维链（Chain of Thought, CoT）推理方法已被证明能够显著提升大语言模型（LLMs）在复杂任务中的表现。而在多模态大语言模型（MLLMs）中，CoT 同样展现出了巨大潜力。

然而，当视觉信息与数学推理结合时，传统的 CoT 方法就显得力不从心了——视觉输入中的数学细节往往被忽略，导致推理结果不准确。

最近，香港中文大学 MMLab 团队正式发布了全新的视觉推理方案——MINT-CoT，专为解决“多模态数学推理”中的难题而设计。

为什么数学视觉推理这么难？

尽管已有一些研究尝试把视觉信息引入 CoT 推理，例如 Visual-CoT、Visual SKETCHPAD、VPT、ICoT 等方法，但在数学场景下依然存在 三大瓶颈：

1. 粗粒度图像区域选择

大部分方法依赖边界框（Bounding Box）来截取图像区域。但数学图像里的元素（比如坐标轴、几何图形、标注文字等）高度关联，简单裁剪很容易把无关或干扰信息带进推理过程。

2. 视觉编码器“看不懂数学”

目前主流视觉编码器（如 CLIP、SigLIP）都是针对自然图像训练的，对于公式、几何图等“数学型图像”，它们属于“分布外”内容，感知力严重不足。

3. 过度依赖外部功能

像 MVoT 或 Visual SKETCHPAD 等方法，需要借助外部工具或能力来生成或修改图像，训练和推理过程成本高、不通用。

MINT-CoT：细粒度视觉交错推理新范式

为了解决上述痛点，团队提出了 MINT-CoT（Multimodal Interleaved Chain-of-Thought）——一种细粒度、轻量级的视觉交错 CoT 推理方法，专为数学推理场景设计。

核心创新在于引入了一种特殊的 Interleave Token——模型在生成下一个 token 时，会动态从图像中选取与当前推理步骤最相关的视觉 token，并嵌入文本推理链中。这个过程通过计算计算 Interleave Token 的隐藏层与所有视觉 token 的隐藏层的相似度来实现，从而动态选取与数学概念最相关的视觉区域，将图像与文本细粒度地融合。
相比传统基于矩形区域的方法，MINT-CoT 可以灵活选取任意形状的视觉区域，比如几何图形、坐标、线段等结构化数学元素，实现真正的 “图文联合推理”。

数据集：打造“视觉交错推理”的专属训练集

为了支撑MINT-CoT的训练，团队还构建了 MINT-CoT 数据集，共 5.4 万条视觉交错推理样本，每条数据都包含推理步骤与相应图像中 token 的对齐信息。基于 Mulberry-260K 数据集生成文本推理链，再通过以下四步流程完成视觉区域标注：
(1) 将图像划分为网格区域， (2) 利用 OCR 检测图像中文本并映射到对应网格， (3) 提取推理关键词， (4) 使用MLLM关联关键词与图像区域，完成 token级别的匹配标注。

三阶段训练策略：逐步提升视觉交错推理能力

在MINT-CoT框架和数据集的基础上，设计了一个三阶段的训练策略，逐步提升模型的推理能力，具体包括：
(1) 文本CoT微调：通过纯文本推理数据训练模型，打下通用推理格式的基础 (2) 交错模态CoT微调：使用两个损失函数监督文本推理和视觉token选择，教会模型在推理过程中合理插入视觉内容，实现图文联合推理能力。 (3) 交错模态CoT强化学习：利用强化学习优化视觉内容选择和推理策略，让模型自主探索更优解法。

实验效果：全面超越现有方法

我多模态大模型Qwen-VL-7B的基础上应用MINT-CoT框架，训练出 MINT-CoT-7B 模型，在数学视觉推理任务中表现优越。下面的可视化结果表明，MINT-CoT-7B 相比于基线模型，表现出更合理的推理形式，可以在推理过程中选择相关的视觉token，并和文本内容一起交错推理。

定量的实验结果也表明了本方法的有效性。MINT-CoT-7B 在多个基准上实现显著提升：在MathVista上提升 +32.59%，在GeoQA上提升+26.92%，在MMStar上提升 +23.2%。不仅如此，MINT-CoT-7B全面超越原有SOTA模型，成为数学视觉推理领域的新标杆。

小结：

通过提出MINT-CoT，实现了细粒度视觉信息与思维链推理的深度融合，显著提升多模态大模型在数学视觉推理任务中的表现。未来，MINT-CoT有望拓展至更多结构化视觉场景，推动多模态推理技术进一步发展。

论文：https://arxiv.org/abs/2506.05331
代码：https://github.com/xinyan-cxy/MINT-CoT