视觉语言模型像工程师一样推理吗？一个基准与分阶段评估

视觉语言模型（VLM）在通用多模态推理基准上表现优异，但其工程推理能力尚未经过充分探索。工程问题解决需解读技术图表、选择物理原理并保持多步推理的物理一致性。现有基准主要评估最终答案，缺乏对中间推理过程的细粒度分析。本文提出 EngVQA 基准，涵盖五个工程学科共 696 个问题，并引入八阶段自动评估框架，独立评估解题各阶段以精准定位推理缺陷。实验表明当前 VLM 在工程推理方面存在显著局限，且自动评估结果与人工评分高度一致。