GPT-4o、Claude、Gemini、Qwen-VL
它们真的“会推理”吗？
一篇最新论文，用 1188 道题，给多模态大模型泼了一盆冷水。

---

一、一个残酷现实：我们可能一直在“误判”多模态推理能力

过去一年，多模态大模型给人的感觉是：

• 能看图做数学题

• 能分析图表

• 能一步一步“解释推理过程”

于是很多人默认了一件事：

多模态大模型 ≈ 已经具备较强逻辑推理能力

但问题是：
 这些能力，到底是“推理”，还是“识别 + 记忆 + 模板化输出”？

最近，复旦大学、港中文 MMLab、上海 AI Lab 等机构联合提出的 MME-Reasoning，第一次系统性地回答了这个问题。

结论很直接：

当前多模态大模型的“逻辑推理能力”，被明显高估了。

---

二、MME-Reasoning 做对了什么？一句话：它终于“只考推理”

以往的多模态评测，大多有三个通病：

1. 推理类型混乱

2. 大量题目本质是视觉感知

3. 依赖高阶专业知识

MME-Reasoning 的设计思路非常“狠”。

---

明确区分三种逻辑推理

论文严格采用逻辑学中的经典分类：

推理类型	简单理解	模型表现
演绎推理	按规则一步步算	✅ 最稳定
归纳推理	从例子总结规律	⚠️ 一般
溯因推理	从结果反推原因	❌ 最弱

作者直接点名：
 溯因推理（Abductive Reasoning）才是真实世界中最重要的能力
 也是当前模型最不行的能力

---

去感知、去“拼知识”，只剩下逻辑

MME-Reasoning 在数据构建上做了大量人工清洗：

•  “一眼看出来”的图像题 → 删

•  依赖竞赛数学、专业物理 → 删

•  只保留 K12 水平 + 必须推理才能解的题

换句话说：

在这个 benchmark 上，模型没有任何“取巧空间”。

---

三、1188 道题，主流模型成绩一览

作者测试了几乎所有你熟悉的模型：

• GPT-4o、Claude、Gemini

• o1 / o4-mini / Seed1.5-VL-Thinking

• Qwen-VL、InternVL、LLaVA 等主流开源模型

结果

没有一个模型，能让人放心地说：它“真的会多模态推理”。

• 最强模型：Gemini-2.5-Pro-Thinking ≈ 60%

• 大量模型：40% 左右

• 部分开源模型：30% 以下

这不是“模型不行”，而是：

这个 benchmark 终于测到了“硬能力”。

---

一个统一结论：模型极度偏科

几乎所有模型都呈现出同一个模式：

• 演绎推理：分数最高

• 归纳推理：尚可

• 溯因推理：全面拉胯

在开源模型中：

溯因推理平均比演绎推理低将近 10 个百分点

这意味着什么？

 模型适合“算答案”
 但不适合“探索可能性”

---

四、Thinking Model：真的“想得更好”，还是“想得更长”？

推理 token 变多，确实能涨分

论文一个很有意思的发现是：

• 推理过程越长，整体准确率越高

• Thinking Model 会在难题上自动“多想一会儿”

这也是 o1、o4-mini、Seed-Thinking 表现更好的原因。

---

但问题也很明显：性价比越来越低

随着 token 数暴涨：

• 推理开始重复

• 反复验证同一条思路

• 准确率提升开始明显放缓

一句话总结：

多模态推理已经进入“堆算力但不优雅”的阶段。

---

五、Rule-based RL：并没有拯救多模态推理

很多人寄希望于 R1-style 的规则强化学习。

但论文给出的结论很现实：

• 在多模态场景中，效果 极不稳定

• 小模型（7B）甚至会 性能下降

• 泛化能力不足

作者的态度非常明确：

多模态推理 ≠ 纯文本推理 + 图片

---

六、这篇论文真正重要的地方

MME-Reasoning 并不是为了“重新排榜”，而是：

1. 第一次系统拆解了多模态推理能力

2. 揭示了模型在真实推理任务中的能力上限

3. 明确指出未来方向：溯因推理 + 规划能力

对工程和研究都很有价值：

•  不要在复杂决策场景中过度相信模型

•  把多模态模型当“强辅助”，而不是“自动推理器”

---

七、总结一句狠话

多模态大模型已经很会“看”，
但离“想明白一件事”，
还差一个时代。

MME-Reasoning 并不是唱衰，而是让我们终于看清：
通往真正智能的路，才刚刚开始。