Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2508.06851

帮助 | 高级搜索

计算机科学 > 人工智能

arXiv:2508.06851 (cs)
[提交于 2025年8月9日 ]

标题: MDK12-Bench:多模态大语言模型在多学科考试中的全面评估

标题: MDK12-Bench: A Comprehensive Evaluation of Multimodal Large Language Models on Multidisciplinary Exams

Authors:Pengfei Zhou, Xiaopeng Peng, Fanrui Zhang, Zhaopan Xu, Jiaxin Ai, Yansheng Qiu, Chuanhao Li, Zhen Li, Ming Li, Yukang Feng, Jianwen Sun, Haoquan Zhang, Zizhen Li, Xiaofeng Mao, Zekai Li, Wangbo Zhao, Kai Wang, Xiaojun Chang, Wenqi Shao, Yang You, Kaipeng Zhang
摘要: 多模态大语言模型(MLLMs)通过整合语言和视觉提示进行问题解决,在推动人工通用智能(AGI)方面至关重要。 然而,目前用于衡量MLLMs智能的基准测试存在规模有限、覆盖范围狭窄和知识结构不清晰的问题,仅提供静态且无差别的评估。 为了弥补这一差距,我们引入MDK12-Bench,这是一个大规模的跨学科基准测试,源自涵盖六个学科的真实K-12考试,包含141K个实例和6,225个知识点,按六层分类法组织。 涵盖五种题型并带有难度和年份标注,它能够进行全面评估,以捕捉MLLMs在四个维度上的表现: 1)难度等级,2)时间(跨年度)变化,3)情境变化,和4)知识驱动推理。 我们提出了一种新颖的动态评估框架,引入了不熟悉的视觉、文本和问题形式变化,以挑战模型的泛化能力,同时通过减少数据污染来提高基准的客观性和持久性。 我们进一步评估了知识点参考增强生成(KP-RAG),以研究知识在问题解决中的作用。 关键发现揭示了当前MLLMs在多个方面的局限性,并为提高模型鲁棒性、可解释性和人工智能辅助教育提供了指导。
摘要: Multimodal large language models (MLLMs), which integrate language and visual cues for problem-solving, are crucial for advancing artificial general intelligence (AGI). However, current benchmarks for measuring the intelligence of MLLMs suffer from limited scale, narrow coverage, and unstructured knowledge, offering only static and undifferentiated evaluations. To bridge this gap, we introduce MDK12-Bench, a large-scale multidisciplinary benchmark built from real-world K-12 exams spanning six disciplines with 141K instances and 6,225 knowledge points organized in a six-layer taxonomy. Covering five question formats with difficulty and year annotations, it enables comprehensive evaluation to capture the extent to which MLLMs perform over four dimensions: 1) difficulty levels, 2) temporal (cross-year) shifts, 3) contextual shifts, and 4) knowledge-driven reasoning. We propose a novel dynamic evaluation framework that introduces unfamiliar visual, textual, and question form shifts to challenge model generalization while improving benchmark objectivity and longevity by mitigating data contamination. We further evaluate knowledge-point reference-augmented generation (KP-RAG) to examine the role of knowledge in problem-solving. Key findings reveal limitations in current MLLMs in multiple aspects and provide guidance for enhancing model robustness, interpretability, and AI-assisted education.
评论: 35页,33图
主题: 人工智能 (cs.AI) ; 计算机与社会 (cs.CY)
引用方式: arXiv:2508.06851 [cs.AI]
  (或者 arXiv:2508.06851v1 [cs.AI] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.06851
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Pengfei Zhou [查看电子邮件]
[v1] 星期六, 2025 年 8 月 9 日 06:21:10 UTC (20,343 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.AI
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.CY

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号