यह शोधपत्र चार्ट-R1 मॉडल प्रस्तुत करता है, जो चार्ट क्षेत्र में जटिल अनुमान के लिए सुदृढीकरण अधिगम फ़ाइन-ट्यूनिंग पर आधारित R1-शैली पद्धति को लागू करता है। गणितीय तर्क और कोड इंटेलिजेंस पर केंद्रित मौजूदा R1-शैली पद्धतियों के विपरीत, चार्ट-R1 अधिक सामान्य बहुविध डेटा, विशेष रूप से चार्ट डेटा, के लिए अनुमान क्षमताओं को बढ़ाता है। इसे प्राप्त करने के लिए, हम एक नवीन प्रोग्रामेटिक डेटा संश्लेषण तकनीक का प्रस्ताव करते हैं जो एकल और एकाधिक उप-चार्टों वाले उच्च-गुणवत्ता वाले चरण-दर-चरण चार्ट अनुमान डेटा उत्पन्न करती है। हम एक द्वि-चरणीय अधिगम रणनीति भी विकसित करते हैं: चार्ट-COT, जो एक चेन-ऑफ-थॉट (COT) मानचित्र का उपयोग करता है, और चार्ट-RFT, जो संख्यात्मक संवेदनशीलता फ़ाइन-ट्यूनिंग का उपयोग करता है। चार्ट-COT जटिल अनुमान कार्यों को सूक्ष्म उप-कार्यों में विघटित करता है, जबकि चार्ट-RFT संख्यात्मक प्रतिक्रियाओं के लिए अपेक्षाकृत सौम्य पुरस्कारों का उपयोग करके चार्ट क्षेत्र में संख्यात्मक संवेदनशीलता पर ज़ोर देता है। प्रायोगिक परिणाम दर्शाते हैं कि चार्ट-आर1 मौजूदा चार्ट डोमेन विधियों से बेहतर प्रदर्शन करता है और यह जीपीटी-4o और क्लाउड-3.5 जैसे बड़े पैमाने के मॉडलों के बराबर है।
