Введение в Sphinx

Мы представляем Sphinx — искусственную среду для визуального восприятия и рассуждения, которая нацелена на основные когнитивные примитивы. Sphinx процедурно генерирует головоломки, используя мотивы, плитки, диаграммы, иконки и геометрические примитивы, каждая из которых сопровождается проверяемыми решениями. Это позволяет как точно оценивать, так и создавать масштабные наборы данных.

Типы задач

Бенчмарк охватывает 25 типов задач, включая:

• Обнаружение симметрии
• Геометрические преобразования
• Пространственное мышление
• Интерпретация диаграмм
• Предсказание последовательностей

Оценка моделей

Оценка недавних крупных языковых моделей с визуальным восприятием (LVLMs) показывает, что даже самая современная модель GPT-5 достигает лишь 51,1% точности, что значительно ниже уровня человека.

Улучшение точности через RLVR

Наконец, мы демонстрируем, что обучение с подкреплением с проверяемыми наградами (RLVR) значительно улучшает точность моделей по этим задачам и дает приросты в внешних бенчмарках визуального рассуждения, подчеркивая его потенциал для продвижения мультимодального мышления.