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

  • 近日工作进度汇报

    最近停更了一段时间,汇报一下工作进度,网站肯定是会继续做的,只不过生活的琐事太多了。

    AI快讯 2023-08-05
    072.1K
  • DeepSeek开源第四弹:梁文锋与AI训练革新

    DeepSeek发布开源第四弹,两项突破性技术亮相,梁文锋亲自参与开发。DualPipe实现前向与反向计算并行,EPLB优化专家负载分配,为大模型训练提速降耗注入新动能。

    AI快讯 2025-02-27
    00129
  • 关于GPT-4全部资讯汇总

    近日关于 ChatGPT 技术的体验以及对 GPT-4 技术发展的资讯总结 ChatGPT 已成为他工作中不可或缺的一部分,可以提高生产效率 20 倍以上。 GPT 技术会深刻改变人类的学习、教育和工作方式,但同时也指出,这项技术不会降低知识的门槛,如果一个人并不熟悉某个领域,指望 ChatGPT 就无济于事。

    AI快讯 2023-03-16
    001.9K
  • 英伟达Blackwell架构与DeepSeek-R1协同优化技术解析

    英伟达宣布基于Blackwell架构对DeepSeek-R1模型进行首次优化,B200 GPU实现推理吞吐量提升25倍、每token成本降低20倍的突破性进展。同步开源的FP4量化方案及DeepSeek系列工具库,推动AI模型高效部署与商业化应用。

    AI快讯 2025-02-27
    00141
  • ChatGPT+微信:wechat-chatgpt

    ChatGPT 和微信结合,通过 wechat-chatgpt,提供快速、准确、方便的微信聊天服务,帮助您解决日常生活、工作、学习等各种问题。

    AI快讯 2022-12-12
    001.0K

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

微信