算法论文8

EMMA揭示MLLMs图文联动推理危机

深度学习自然语言处理2025-07-14

AI 摘要

当前MLLMs在图文深度融合推理能力上有挑战，EMMA基准评估该能力。评测9个前沿MLLMs，发现其与人类专家有性能鸿沟，思维链提示和测试时计算扩展作用有限，揭示了MLLMs视觉推理缺陷。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

V-Rubrics细化多模态强化学习奖励

本文介绍南洋理工大学等机构研究团队提出的V-Rubrics方法，解决多模态推理中结果正确但推理错误的奖励分配误区，通过35万条细粒度准则拆分奖励计算，有效提升模型性能，论文已被EMNLP 2026主会接收，代码与数据已开源。

针对原生视觉推理缺少完整训练评估基础设施的现状，NTU等多校联合推出VBVR-Pro系统，构建了从任务构建、模型训练、能力评测到强化学习优化的完整闭环，论文、数据、代码均已公开。

本文介绍蚂蚁百灵开源的多模态大模型Ling-3.0-flash-VL，该模型采用稀疏混合专家架构，支持图片、视频、软件界面理解，可将视觉信息用于推理与任务执行，开放权重采用MIT许可证供开发者部署测试。

本文介绍了专门测量「主动观察」能力的视觉推理基准 ActiveVision，评测显示无外部工具时，大模型与人类准确率有近 9 倍差距，用工具后虽提升但仍远不如人类，还说明了其出题与避免取巧的方式。