提出OMIBench基准,用于评估大视觉语言模型在奥林匹克级别多图像推理任务上的能力,该任务要求模型整合分布在多张图像中的证据,实验表明现有最强模型(如Gemini-3-Pro)仅达到约50%准确率,揭示了当前模型在跨图像感知、关联和跨模态逻辑整合方面的显著局限。
机构:哈工大
来源:arXiv 2604.20806 | AI4Papers 论文推荐平台