——VisuRiddles 揭示多模態(tài)大模型在“看圖推理”中的核心瓶頸
考公圖都不會(huì)?現(xiàn)在火遍全網(wǎng)的多模態(tài)大模型(MLLMs)，面對(duì)一張公務(wù)員考試?yán)锏膱D形推理題，居然頻頻“翻車”?真相可能出乎意料：模型不是“不會(huì)推理”，而是“沒(méi)看懂圖”。
2025年6月，華中科技大學(xué)白翔團(tuán)隊(duì)聯(lián)合華為發(fā)布全新研究成果 —— VisuRiddles，一個(gè)專為抽象視覺(jué)推理設(shè)計(jì)的評(píng)測(cè)與數(shù)據(jù)體系，首次系統(tǒng)性揭示了當(dāng)前大模型在“看圖推理”中的核心瓶頸：感知能力嚴(yán)重不足。
本項(xiàng)目不僅發(fā)布了覆蓋五大感知維度+兩類高階任務(wù)的基準(zhǔn)數(shù)據(jù)集，還創(chuàng)新設(shè)計(jì)了自動(dòng)化數(shù)據(jù)合成工具 PRS(感知謎題合成器)，能夠生成帶有結(jié)構(gòu)化感知描述的任務(wù)樣本，讓模型“看得懂、推得出”。
實(shí)驗(yàn)顯示：在不改變模型結(jié)構(gòu)的前提下，僅使用 PRS 生成的數(shù)據(jù)進(jìn)行訓(xùn)練，模型在公務(wù)員圖形題上的表現(xiàn)大幅躍升。
推理不難，看懂才難!
VisuRiddles 發(fā)現(xiàn)關(guān)鍵問(wèn)題：大模型看不懂圖
更提供了解決方案：PRS，讓模型學(xué)會(huì)“看清楚”!
論文鏈接：https://arxiv.org/abs/2506.02537
代碼地址：https://github.com/yh-hust/VisuRiddles
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說(shuō)明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開(kāi)相關(guān)鏈接。 ）
