多模態(tài)大模型表現(xiàn)越來越驚艷，但人們也時常困于它的“耿直”。

無論是生成代碼、分析圖表還是回答問題，諸多多模態(tài)大模型（MLLM）都傾向于給出一個“一步到位”的答案。它們就像一個從不檢查作業(yè)的“學(xué)霸”，雖然知識淵博，但一旦在復(fù)雜的、需要反復(fù)試錯的問題上走錯一步，就很難回頭。這種能力的缺失，正是阻礙AI從“知識容器”邁向“問題解決大師”的關(guān)鍵瓶頸。

現(xiàn)在，來自上海交通大學(xué)和上海人工智能實驗室的研究團隊，帶來了新的解決方案——MM-HELIX。

MM-HELIX不僅是一個項目，更是一個完整的生態(tài)體系，旨在賦予AI一種最接近人類智慧的能力：長鏈反思性推理（long-chain reflective reasoning）。

多種多模態(tài)反思任務(wù)

第一擊：一把“終極標尺”——MM-HELIX基準測試

我們無法提升我們無法衡量的東西。為了精準評估AI的反思推理能力，團隊首先構(gòu)建了一個前所未有的“終極考場”——MM-HELIX Benchmark。

它不再是簡單的看圖說話或數(shù)學(xué)計算，而是包含了42種橫跨算法、圖論、謎題和策略游戲的超高難度任務(wù)，例如：

• 邏輯的迷宮：在“掃雷”中根據(jù)數(shù)字線索進行縝密推理與回溯。
• 策略的博弈：在“推箱子”中規(guī)劃長遠，避免一步走錯，滿盤皆輸。
• 算法的具象：尋找圖中的“哈密頓路徑”，需要在腦海中進行多次路徑規(guī)劃與剪枝。

團隊搭建了42個任務(wù)的Sandbox，包含Generator，Solver，Validator等多個關(guān)鍵部件，并根據(jù)題目復(fù)雜度區(qū)分了五層難度，并最終收集了1260道題目，對當前的多模態(tài)大模型進行了細粒度的評估，評估結(jié)果如下：