MMGR: Multi-Modal Generative Reasoning

一、文章主要内容总结

本文提出了MMGR（多模态生成推理评估基准），旨在解决现有生成模型评估仅侧重感知保真度（如FVD）、忽视物理、逻辑、空间等核心推理能力的缺陷。该基准基于物理推理、逻辑推理、3D空间推理、2D空间推理、时间推理五大核心能力，覆盖三大任务领域：抽象推理（迷宫、数独、ARC-AGI、数学题）、具身导航（3D实景导航、最后一公里导航等）、物理常识（基础物理交互、体育场景），共包含1853个评估样本。

通过对Veo-3、Sora-2等视频生成模型和Nano-banana Pro、GPT-4o-image等图像生成模型的测试，发现：模型在物理常识任务中表现中等（如体育场景准确率60%），但在抽象推理（ARC-AGI准确率<10%）和长视野具身导航中表现极差；视频模型存在“时间税”（为维持帧间连贯性牺牲逻辑一致性），图像模型在符号推理任务中更稳定；现有模型的核心局限源于训练数据失衡（缺乏符号推理数据）、架构缺陷（难以维持全局一致性）、优化目标偏差（优先视觉 plausibility而非因果正确性）。

二、创新点

1. 构建五维推理能力框架：首次明确将生成模型的推理能力拆解为物理、逻辑、3D空间、2D空间、时间五大维度，形成系统化评估体系。
2. 跨领域多模态基准设计：覆盖抽象逻辑、具身交互、物理