解码科学实验图像：用于感知、理解与推理的 SPUR 基准

本文介绍了 SPUR，一个涵盖科学实验图像感知、理解与推理的综合基准，包含源自 1084 张专家精选图像的 4264 个问答对。SPUR 具有三大创新：面板级细粒度感知评估、跨面板关系理解以及专家级推理评估。通过对 20 个多模态大语言模型及四种多模态思维链方法的全面评估，研究发现当前模型在科学图像解读方面显著未达到专家水平，揭示了人工智能用于科学（AI4S）研究的关键瓶颈。