OMIBench：多图奥林匹克级推理能力的新基准测试

OMIBench是首个专门针对多图奥林匹克级推理的基准测试，覆盖生物、化学、数学、物理四大领域，包含超1000道题目。即使是最强模型Gemini-3-Pro，准确率也仅约50%，揭示当前大视觉语言模型（LVLMs）在跨图像推理方面的重大局限。该基准由多所高校联合开发，填补了现有多模态奥林匹克基准单图设置的空白。

近年来，LVLMs在奥林匹克级推理任务上进展显著，Chain-of-Thought（CoT）提示技术推动了视觉线索与文本信息的融合。但现有多模态奥林匹克基准大多局限于单图问题，而真实场景中问题常依赖多个关联图表，需跨图像、跨模态推理，这是当前的核心挑战。

OMIBench由哈工大、中南大学等多机构联合开发，是首个多图奥林匹克推理基准。包含超1000道题，平均每题3.07张图，配手动标注推理路径和答案。核心特点：1.多图信息整合要求；2.手动推理路径标注；3.精确+语义双重评估；4.覆盖四大科学领域。

对最先进LVLMs评估发现：Gemini-3-Pro准确率约50%，所有模型准确率未超51%；相比单图基准性能下降15%，比现有多图基准下降超20%。错误分析识别三类失败模式：视觉感知失败、跨图像关联失败、跨模态逻辑整合失败。

评估多种提升策略：Long CoT有有限增益；测试时扩展（并行/顺序）一致但有限改进；ICL改善表现但收益递减；Think-with-Image几乎无收益甚至降性能；参数扩展收效甚微。说明需架构创新而非单纯规模扩张。

OMIBench的意义：1.提供标准化多图推理评估工具；2.提示当前技术路径不足，需新架构/训练范式；3.手动推理路径助力可解释性研究。资源：论文（arXiv:2604.20806）、数据集（HuggingFace）、代码仓库（GitHub）及非官方实现脚手架。

OMIBench标志多模态推理评估新阶段，揭示LVLMs在多图复杂推理中的局限。对开发者而言，既是挑战也是改进目标，为下一代多模态架构设计指明方向，期待社区突破多图推理能力。