面向科学的多模态推理：ICML 2025 SeePhys挑战的技术报告与第1名解答
计算与语言
2025-09-09 v1 计算机视觉与模式识别
摘要
多模态推理是人工智能中的一个基本挑战。尽管文本推理取得了显著进展，即使是像GPT-o3这样的领先模型在多模态场景下也难以保持强大的性能。为解决这一差距，我们引入了一种caption辅助推理框架，有效桥接了视觉与文本模态。我们的方法在ICML 2025 AI for Math Workshop与挑战2：SeePhys中获得了第1名，凸显了其有效性和鲁棒性。此外，我们在几何推理的MathVerse基准上验证了其泛化能力，展示了该方法的多样性。我们的代码已公开available at https://github.com/OpenDCAI/SciReasoner。
引用
@article{arxiv.2509.06079,
title = {Multimodal Reasoning for Science: Technical Report and 1st Place Solution to the ICML 2025 SeePhys Challenge},
author = {Hao Liang and Ruitao Wu and Bohan Zeng and Junbo Niu and Wentao Zhang and Bin Dong},
journal= {arXiv preprint arXiv:2509.06079},
year = {2025}
}