代码驱动

当多模态大语言模型在科学、技术、工程和数学领域的视觉推理任务中频频遭遇“滑铁卢”，一个根本性的困惑始终萦绕在研究者心头：大模型无法解答理科题目，究竟是源于其推理能力的先天不足（“脑子笨”），还是视觉感知环节存在缺陷（“眼神差”）？ 为揭开这一谜团，来自上海交通大学与Qwen等机构的研究团队，将任务拆解为两个独立的阶段进行系统性分析：视觉感知阶段（将图像转化为…