多模態(tài)時代應如何評估模型的視覺輸出能力？

來自清華大學、騰訊混元、斯坦福大學、卡耐基梅隆大學等頂尖機構的研究團隊聯(lián)合發(fā)布了RBench-V：一款針對大模型的視覺推理能力的新型基準測試。

過去的評估基準主要集中于評估多模態(tài)輸入和純文本推理過程。

而RBench-V系統(tǒng)性評估了當前主流大模型基于“畫圖”的視覺推理能力：

比如在圖中畫出輔助線、描點連線、繪制光線路徑、標注目標區(qū)域，等等。

圖片

結果發(fā)現(xiàn)，即使是表現(xiàn)最好的模型o3，在RBench-V上的準確率也只有25.8%，遠低于人類的82.3%。

這篇論文在reddit machine learning社區(qū)引發(fā)了討論，有網友評價：

有趣的現(xiàn)象，視覺推理連小孩都能做到，GPT-4o卻做不到。

圖片

RBench-V：專為模型視覺推理設計

為了評估模型的跨模態(tài)推理能力，RBench-V精心設計并篩選了共計803道題目，涵蓋幾何與圖論（數(shù)學）、力學與電磁學（物理）、多目標識別（計數(shù)）以及路徑規(guī)劃與圖形聯(lián)想（圖形游戲）等多個領域。

與以往僅要求文字回答的多模態(tài)評測不同，RBench-V的每一道題都明確要求模型生成或修改圖像內容來支持推理過程：

簡單地說，就是讓大模型像人類專家一樣，通過繪制輔助線、觀察圖形結構等可視化方式進行思考。

這種對“畫出圖以輔助思考”過程的強調，對模型的視覺理解和圖文協(xié)同推理能力提出了全新的要求。

圖片

評測發(fā)現(xiàn)，盡管GPT-4o、Gemini、o3等新一代大模型標榜具備“多模態(tài)理解與生成”能力，它們在真正需要圖像輸出參與推理的問題上仍顯得力不從心。

主流大模型的評測結果：遠不及人類水平

圖片

在RBench-V的評測中，即便是當前業(yè)界最強的閉源模型，也遠遠比不上人類視覺推理能力。

OpenAI發(fā)布的旗艦模型o3以25.8%的整體準確率排名首位，Google最新推出的Gemini2.5緊隨其后，得分為20.2%。

但這兩者的表現(xiàn)與人類專家高達82.3%的平均準確率相比，依然很不夠看，說明了現(xiàn)有模型在復雜多模態(tài)推理任務中認知能力的嚴重不足。

在開源模型陣營中，主流代表如Qwen2.5VL、InternVL、LLaVA-OneVision等模型的準確率普遍徘徊在8%至10%之間，甚至在某些任務維度上接近“隨機作答”的水平——

所謂“把答題卡放地上踩一腳”的水平。

這種懸殊的表現(xiàn)不僅揭示了當前開源生態(tài)在多模態(tài)輸出生成上的技術瓶頸，也反映出大模型從“看懂圖”到“畫出圖以輔助思考”的能力缺失。

當前，大模型對于視覺推理尚處于早期探索階段。

圖片

此外，通過比較不同模型的得分，可以看到：僅靠擴大模型參數(shù)規(guī)模、引入圖像輸入通道，或在文字層面堆疊長鏈條思維（Chain-of-Thought,CoT）并不能有效提升模型的視覺推理能力。

當下模型的重大短板：難以借助圖像進行推理

RBench-V的研究揭示了一個關鍵問題：當前的大模型在處理需要空間直覺和圖像操作的幾何類問題時，往往選擇“走捷徑”。

與人類專家傾向于通過直觀的可視化方法進行思考不同，大多數(shù)模型更習慣于將圖形問題抽象為坐標系下的代數(shù)表達，并采用文本推理路徑完成解題。

這種“用文字繞過圖形”的策略雖然在某些場景下能夠給出正確答案，但實際上掩蓋了其對圖像信息的深層理解缺失，也暴露出它們“表面聰明，實則薄弱”的多模態(tài)推理能力。

RBench-V的實驗結果顯示，即便是采用長文本推理路徑或具備“看圖說話”能力的模型，在面對需要圖像輸出的復雜問題時，仍然束手無策。

圖片

RBench-V團隊指出，真正推動大模型邁向“類人智能”的突破口，在于構建能夠在推理過程中主動生成圖像、構圖輔助思考的認知框架。

這其中，多模態(tài)思維鏈（Multi-modal Chain-of-Thought,M-CoT）機制、智能體推理（Agent-based Reasoning）范式等新興方法，可能成為人工智能通往未來的重要路徑。

論文、代碼、數(shù)據(jù)均可在項目主頁找到：https://evalmodels.github.io/rbenchv/