视觉推理能力评测新基准发布

港中文MMLab推出MME-CoT基准,全面测评DeepSeek-R1、GPT-4o、Kimi k1.5等模型的视觉推理能力。研究显示,Kimi在推理质量领先,o3-mini鲁棒性最佳,DeepSeek文本推理优势显著。揭秘评测指标与关键发现。

DeepSeek vs OpenAI vs Kimi:视觉推理能力终极对决

MME-CoT基准:重新定义多模态模型评估

香港中文大学MMLab团队发布MME-CoT(Multi-Modal Evaluation Chain-of-Thought)基准,首次系统化评估大型多模态模型(LMM)的视觉推理能力。该基准覆盖数学、科学、OCR等6大领域,通过1130道精选题目与3865个关键步骤标注,构建全景评估体系。

三大核心评测维度:

  • 质量:召回率与精确率双重验证推理逻辑
  • 鲁棒性:感知任务稳定性与推理任务有效性
  • 效率:步骤相关性与反思质量量化分析

实验涵盖15个主流模型,包括Kimi k1.5、GPT-4o及纯文本模型DeepSeek-R1,揭示行业技术差距。


模型表现:Kimi质量领先,DeepSeek文本逆袭

质量排名

  1. Kimi k1.5(F1 68.2%)
  2. DeepSeek-R1(66.3%)
  3. o3-mini(61.5%)

DeepSeek-R1仅凭图像描述文本,在精确率上超越GPT-4o视觉模型2.1个百分点,展现强大文本推理迁移能力。

鲁棒性对比

  • o3-mini感知任务稳定性达98.7%
  • Kimi推理任务有效性提升14.6%
  • DeepSeek在复杂逻辑场景误差率最低

研究同时暴露行业痛点:30%-40%反思步骤与解题无关,InternVL2.5等模型应用CoT后感知性能下降6.8%。


关键发现:参数规模与反思效率的博弈

  1. 参数优势:Qwen2-VL-72B较7B版本推理有效性提升7.2%,验证大模型学习潜力
  2. 长CoT陷阱:GPT-4o等模型40%步骤信息密度不足,存在“无效空想”现象
  3. 反思错误类型
    • 无效调整(45%)
    • 分析不完整(28%)
    • 自我干扰(12%)

实验显示,Kimi通过动态注意力机制,将关键步骤相关性提升至82%,显著优于行业平均水平。


评测体系设计:从结果到过程的革命

MME-CoT突破传统答案正确性评估,引入:

  • 步骤召回率:GPT-4o自动匹配必要推理链
  • 跨模态稳定性:分离感知/推理任务验证鲁棒性
  • 成本-收益比:量化token消耗与准确率增益关系

数据集构建采用双重过滤机制,专业团队耗时1200小时完成标注,确保多解法问题的全面覆盖。

此文章由OpenAI开源维基百科原创发布,如若转载请注明出处:https://openai.wiki/mme-cot-benchmark.html

(0)
上一篇 2025-02-22 19:06
下一篇 2025-02-22 19:49

相关推荐

  • 百度3月16日发布”文心一言”

    百度一直以来都是中国最大的搜索引擎公司之一,其搜索引擎在中国市场占有率高达80%以上。然而,近年来,随着BAT的崛起,百度的市场地位逐渐被动摇。为了应对这一变化,百度在不断推出新的产品和服务来扩大市场份额。据最新消息,百度计划在3月16日发布文心一言,一款基于AI技术的文本生成工具,这将是百度近期发布的又一款新产品。

    AI快讯 2023-03-11
    01675
  • 【颠覆性突破】DeepSeek NSA机制震撼AI界

    DeepSeek创始人梁文锋领衔发布革命性NSA注意力机制!全球首个硬件对齐稀疏算法,长文本推理速度暴增11.6倍,64k上下文处理效率碾压传统方案。揭秘中国团队如何突破AI算力瓶颈。

    AI快讯 2025-02-22
    00350
  • 豆包自研深度思考模型内测技术解析

    字节跳动旗下AI助手豆包近期启动深度思考模型灰度测试,官方确认该功能采用自主研发技术架构。测试显示模型具备上下文记忆解析能力,通过特定语句可激活思维链展示,目前网页端已实现功能触发,移动端适配仍在推进中。本文解析测试细节与技术特性。

    AI快讯 2025-02-25
    001.2K
  • Grok 3与黎曼猜想:AI开启数学新纪元

    Grok 3利用暴力计算和AI辅助验证,瞄准数学界最难题——黎曼猜想。顶尖科学家与人工智能联手攻关,或将迎来诺奖级别的突破,推动数学及密码学新发展。

    AI快讯 2025-02-24
    00566
  • Stable Diffusion的Discord Dream Bot复活

    现在可以在Stable Diffusion Discord中免费使用和访问Stable Diffusion v2.0模型,并使用更高质量的768×768模型 。

    AI快讯 2022-12-02
    001.2K

发表回复

登录后才能评论
微信