Seek-and-Solve：基准测试多模态大语言模型在日常场景中的视觉线索驱动推理能力

日常场景具有视觉丰富性，要求多模态大语言模型（MLLMs）过滤噪声并识别关键视觉线索以进行准确推理。然而，现有基准主要评估模型的预存知识或感知理解，往往忽视了关键的推理能力。为此，本文提出 DailyClue 基准，专为日常场景中的视觉线索驱动推理设计。该基准基于真实日常活动构建，通过挑战性查询迫使模型主动探索并利用视觉线索进行深层推理，而非简单识别。涵盖四大领域及 16 个子任务的评估显示，准确识别视觉线索是实现稳健推理的关键。