论文：OMIBench: Benchmarking Olympiad-Level Multi-Image Reasoning in Large Vision-Language Model

一句话核心结论

当前顶尖大视觉语言模型，在奥赛级多图联合推理上能力严重不足，即便最强模型准确率也仅约 50%，远达不到可靠解题水平。

它到底研究了啥

提出OMIBench基准，专门评测大视觉语言模型，在证据分散于多张图片的奥赛级题目中的跨图推理能力。

研究场景

奥赛级多图推理：题目证据分布在多张图片里，覆盖生物、化学、数学、物理四大奥赛科目。

测试对象

当前最强的大视觉语言模型（LVLMs），包括Gemini-3-Pro等主流顶流模型。

怎么测的

• 构建带人工标注解析的奥赛级多图题目集

• 用精确匹配与语义匹配两套评估标准

• 全面测试现有模型的跨图推理性能

测出来啥结果

1. 所有模型都存在显著性能差距，最强模型准确率仅约50%

2. 模型无法有效整合多张图片的关键信息

3. 现有技术在奥赛级多图推理上远未成熟