Can MLLMs Reason Beyond Language? VisReason: A Comprehensive Benchmark for Vision-Centric Reasoning

一句话核心结论

当前多模态大语言模型（MLLMs）不具备真正以视觉为核心的推理能力，在感知、结构、概念三类视觉推理任务上和人类差距巨大，现有推理策略效果有限。

它到底研究了啥

研究场景

视觉中心推理：日常场景中感知与推理深度绑定的任务，要求模型直接基于视觉证据推理，而非依赖语言先验。

测试对象

主流多模态大语言模型（MLLMs）。

怎么测的

• 构建VisReason 基准：含1505 个问题、10 个类别，覆盖感知、结构、概念三大类视觉推理。

• 对比现有视觉推理基准，测试模型在纯视觉驱动推理上的真实能力。

• 验证测试时推理策略（如分步思考）的有效性。

测出来啥结果

• VisReason 是全新挑战，暴露 MLLMs 与人类的巨大差距。

• 各类模型在基准上表现差，现有测试推理策略收益极低。

• 模型推理严重依赖语言，难以从视觉证据中直接推导结论。

最后结论

当前 MLLMs 的视觉推理是语言主导的 “伪推理”，无法超越语言、真正扎根视觉证据推理；VisReason 可精准诊断模型的视觉原生推理能力缺陷。