——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?現(xiàn)在火遍全網(wǎng)的多模態(tài)大模型(MLLMs)，面對一張公務員考試里的圖形推理題，居然頻頻“翻車”?真相可能出乎意料：模型不是“不會推理”，而是“沒看懂圖”。

2025年6月，華中科技大學白翔團隊聯(lián)合華為發(fā)布全新研究成果 —— VisuRiddles，一個專為抽象視覺推理設計的評測與數(shù)據(jù)體系，首次系統(tǒng)性揭示了當前大模型在“看圖推理”中的核心瓶頸：感知能力嚴重不足。

本項目不僅發(fā)布了覆蓋五大感知維度+兩類高階任務的基準數(shù)據(jù)集，還創(chuàng)新設計了自動化數(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)化感知描述的任務樣本，讓模型“看得懂、推得出”。

實驗顯示：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)進行訓練，模型在公務員圖形題上的表現(xiàn)大幅躍升。

推理不難，看懂才難!

VisuRiddles 發(fā)現(xiàn)關(guān)鍵問題：大模型看不懂圖

更提供了解決方案：PRS，讓模型學會“看清楚”!

論文鏈接：https://arxiv.org/abs/2506.02537

代碼地址：https://github.com/yh-hust/VisuRiddles

（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(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確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）