Sci-MMR：多模态智能体科学推理基准
原文标题：Sci-MMR: Benchmarking Multi-Step Evidence-Grounded Scientific Reasoning in Multimodal Agents
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出Sci-MMR，基于结构化论证图构建多步证据支撑的科学推理基准，涵盖四个学科共235个多跳任务，平均每任务含九张图面板。评估八个前沿多模态模型发现，答案准确率始终比完整证据恢复率高出20%以上，暴露仅看答案的评测盲区。失败主要源于证据获取（57.2%）与证据整合（31.8%）两大瓶颈，说明现有基准高估了多模态研究智能体的证据推理能力。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Sci-MMR：八个前沿多模态模型答案准确率比完整证据恢复率高20%以上，答案对不代表证据对
- •基于结构化论证图构建，含四学科235个多跳任务，平均每任务九张图面板
- •失败归因：证据获取占57.2%，证据整合占31.8%
- •裁剪工具仅带来+4.5分，直接给金标证据可提升准确率最多37.0分
- •说明模型难以从科学图表中拼出完整多模态证据
为什么重要：仅看最终答案的评测会系统性高估科研智能体，这条为「证据可追溯」提供了可测口径，对基准设计与智能体能力宣称都有约束力。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
谷歌发布 EmbeddingGemma 2，五模态统一向量空间
AI 摘要谷歌推出 EmbeddingGemma 2 嵌入模型，可将文本、图像等五种模态映射到同一个向量空间，实现跨模态检索与对齐。该模型延续 Gemma 开源系列，面向多模态嵌入与检索增强场景。
谷歌发布Genie 4世界模型，可生成带音频交互体验
AI 摘要谷歌发布 Genie 4 世界模型，支持更真实的世界、自然语言实时修改、音频生成，底层由 Gemini 3.8 Flash 驱动，单次体验时长从 1 分钟提升至约 2 分钟。该模型先以研究预览形式向受信任测试者开放，并将向 Google AI Ultra 订阅用户推出。
谷歌 DeepMind 发布 Genie 4 世界模型，新增音频与实时操控
AI 摘要谷歌 DeepMind 发布世界模型 Genie 4，新增实时音频、更逼真的模拟环境，并支持在模拟过程中用文本提示实时操控。该模型以研究预览形式向受信任测试者开放，进一步推进可交互世界模型的能力边界。
谷歌 DeepMind 称四个 Gemini 4 智能体 27 小时通关《我的世界》
AI 摘要谷歌 DeepMind 表示，四个基于 Gemini 4 的 AI 智能体在 27 小时内自行编写 2783 段程序，成功通关《我的世界》。过程中智能体在简单难度下死亡 605 次，估计消耗约 520 美元 token 成本。