通过面向能力的基准测试和 MCTS 驱动的数据生成推进多模态裁判模型

将多模态大语言模型（MLLM）用作裁判已成为新兴范式，但现有基准未能捕捉根本的评判能力。本文提出 M-JudgeBench，一个十维面向能力的基准，涵盖成对思维链比较、长度偏差避免及过程错误检测等任务，以诊断模型可靠性。针对发现的系统性弱点，作者提出 Judge-MCTS 框架，生成具有不同正确性和长度的成对推理轨迹，并据此训练出强大的 M-Judger 系列模型。实验表明，该方法在现有基准及新基准上均表现优越，为裁判模型评估与训练奠定了坚实基础。