MMR-Life: Piecing Together Real-life Scenes for Multimodal Multi-image Reasoning
作者: Jiachun Li, Shaoping Huang, Zhuoran Jin, Chenlong Zhang, Pengfei Cao, Yubo Chen, Kang Liu, Jun Zhao
分类: cs.CL, cs.AI, cs.CV
发布日期: 2026-03-02
备注: Accepted by ICLR 2026, 78 pages, 60 figures
💡 一句话要点
提出MMR-Life基准，评估多模态大语言模型在真实场景下的多图推理能力。
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 多模态推理 多图推理 真实场景 基准测试 大语言模型
📋 核心要点
- 现有的多模态大语言模型缺乏在真实场景下多图推理能力的标准化评估基准。
- MMR-Life基准通过构建包含多种推理类型的真实场景多图数据集，来评估模型的多模态推理能力。
- 实验结果表明，现有模型在MMR-Life基准上表现不佳，突显了真实场景多图推理的挑战。
📝 摘要（中文）
本文提出了MMR-Life，一个综合性的基准，旨在评估多模态大语言模型（MLLM）在真实场景下的多模态多图推理能力。MMR-Life包含2646个多项选择题，基于19108张主要来自真实世界的图像，全面覆盖七种推理类型：溯因推理、类比推理、因果推理、演绎推理、归纳推理、空间推理和时间推理。与现有的推理基准不同，MMR-Life不依赖于特定领域的专业知识，而是要求模型整合多张图像的信息并应用不同的推理能力。对37个先进模型的评估表明，MMR-Life提出了巨大的挑战。即使是像GPT-5这样的顶级模型也仅达到58%的准确率，并且在不同推理类型上的表现存在很大差异。此外，我们分析了现有MLLM的推理范式，探讨了思维长度、推理方法和推理类型等因素如何影响其性能。总之，MMR-Life为评估、分析和改进下一代多模态推理系统奠定了全面的基础。
🔬 方法详解
问题定义：现有的大型多模态语言模型（MLLM）在科学分析和数学推理等复杂任务中展现出强大的推理能力。然而，它们在真实生活场景中的推理能力尚未得到充分探索，并且缺乏标准化的评估基准。现有的推理基准往往侧重于特定领域知识，难以全面评估模型在真实场景下的多图推理能力。
核心思路：本文的核心思路是构建一个更贴近真实生活场景的多模态多图推理基准，即MMR-Life。该基准不依赖于特定领域的专业知识，而是侧重于考察模型整合多张图像信息并运用多种推理能力的能力。通过在MMR-Life上评估现有模型，可以更全面地了解它们在真实场景下的推理能力，并为未来的模型改进提供指导。
技术框架：MMR-Life基准包含以下几个关键组成部分：1) 数据收集：从真实世界场景中收集大量图像数据。2) 问题构建：基于收集到的图像数据，构建多项选择题，涵盖七种不同的推理类型（溯因、类比、因果、演绎、归纳、空间和时间）。3) 模型评估：使用构建好的基准评估现有MLLM的性能。4) 性能分析：分析模型在不同推理类型上的表现，并探讨影响模型性能的因素。
关键创新：MMR-Life的关键创新在于其真实性和综合性。与现有的推理基准相比，MMR-Life更贴近真实生活场景，不依赖于特定领域的专业知识，并且涵盖了多种不同的推理类型。这使得MMR-Life能够更全面地评估模型在真实场景下的多模态多图推理能力。
关键设计：MMR-Life包含2646个多项选择题，基于19108张图像。图像主要来源于真实世界场景。问题设计涵盖七种推理类型：溯因推理、类比推理、因果推理、演绎推理、归纳推理、空间推理和时间推理。评估指标为准确率。实验中对比了37个先进模型，并分析了思维长度、推理方法和推理类型等因素对模型性能的影响。
🖼️ 关键图片
📊 实验亮点
在MMR-Life基准上，对37个先进模型进行了评估，结果显示即使是GPT-5这样的顶级模型也仅达到58%的准确率，并且在不同推理类型上的表现存在显著差异。这表明现有模型在真实场景下的多模态多图推理能力仍然面临巨大挑战，突显了MMR-Life基准的价值。
🎯 应用场景
MMR-Life基准的潜在应用领域包括智能助手、机器人导航、图像搜索和视频理解等。通过提高模型在真实场景下的多模态推理能力，可以使这些应用更加智能和可靠。例如，智能助手可以更好地理解用户的需求，机器人可以更准确地识别周围环境，图像搜索可以更有效地检索相关图像，视频理解可以更深入地分析视频内容。未来，MMR-Life可以促进多模态推理技术的发展，并推动人工智能在更多领域的应用。
📄 摘要（原文）
Recent progress in the reasoning capabilities of multimodal large language models (MLLMs) has empowered them to address more complex tasks such as scientific analysis and mathematical reasoning. Despite their promise, MLLMs' reasoning abilities across different scenarios in real life remain largely unexplored and lack standardized benchmarks for evaluation. To address this gap, we introduce MMR-Life, a comprehensive benchmark designed to evaluate the diverse multimodal multi-image reasoning capabilities of MLLMs across real-life scenarios. MMR-Life consists of 2,646 multiple-choice questions based on 19,108 images primarily sourced from real-world contexts, comprehensively covering seven reasoning types: abductive, analogical, causal, deductive, inductive, spatial, and temporal. Unlike existing reasoning benchmarks, MMR-Life does not rely on domain-specific expertise but instead requires models to integrate information across multiple images and apply diverse reasoning abilities. The evaluation of 37 advanced models highlights the substantial challenge posed by MMR-Life. Even top models like GPT-5 achieve only 58% accuracy and display considerable variance in performance across reasoning types. Moreover, we analyze the reasoning paradigms of existing MLLMs, exploring how factors such as thinking length, reasoning method, and reasoning type affect their performance. In summary, MMR-Life establishes a comprehensive foundation for evaluating, analyzing, and improving the next generation of multimodal reasoning systems.