论文用共享题干基准定位MLLM抽象视觉推理的规则到实例绑定缺口。
资讯摘要
论文提出StemBind诊断基准，用同一视觉题干对齐感知、规则、完整作答三问，把最终错误归因到具体子步骤。基准含2298个知识轻量题干、九个可审计视觉操作，共19533个任务，并按Sternberg四阶段标注。作者报告评测24个前沿MLLM配置发现：多数模型规则准确率高于完整作答，感知与规则均正确时仍有51.2%答错，瓶颈在规则到实例映射，扩大规模与思考模式未能可靠弥补。
要点速读
- StemBind用同一题干对齐感知、规则、完整作答三问，使最终答案错误可归因到具体子步骤。
- 基准含2298个知识轻量题干、九个可审计视觉操作，共19533个P/R/F任务，并按Sternberg四阶段标注。
- 作者报告24个前沿MLLM配置中，感知与规则均正确时仍有51.2%完整作答错误，瓶颈定位在S3规则到实例映射。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/27 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。