GPT-4o能拼好乐高吗？首个多步空间推理评测基准来了：闭源模型领跑，但仍远不及人类

上海人工智能实验室联合高校推出LEGO-Puzzles基准，用于评估多模态大模型的多步空间推理能力。该基准包含1100多个任务样本，涵盖11种任务类型，支持视觉问答和图像生成。研究团队对20多个主流模型进行评测，结果显示闭源模型如GPT-4o表现领先，但整体仍远逊于人类水平，特别是在多步推理任务中出现显著“推理衰减”。图像生成方面，仅Gemini-2.0-Flash表现较优，其余模型存在明显不足。
来源：https://mp.weixin.qq.com/s/VvLgPqq2TujCCPKw5-3PLw