論文題目：

會議/期刊：

作者：

文章地址： 

https://arxiv.org/abs/2603.09326

• Homepage: https://wwwtttjjj.github.io/OddGridBench/

多模態(tài)大型語言模型（MLLMs）在廣泛的視覺語言任務(wù)中表現(xiàn)出了卓越的性能。然而，它們在低級視覺感知方面的能力，特別是對細(xì)微視覺差異的檢測能力，仍未得到充分探索，也缺乏系統(tǒng)的分析。

該論文提出OddGridBench，一個用于評估MLLMs視覺差異敏感性的可控基準(zhǔn)。OddGridBench包含超過1400張網(wǎng)格圖像，其中單個元素在顏色、大小、旋轉(zhuǎn)或位置上與其余元素存在微小差異。

實驗表明，所有評估的MLLMs，包括開源系列（如Qwen3-VL和InternVL3.5，以及專有系統(tǒng)如Gemini-2.5-Pro和GPT-5）在視覺差異檢測方面的表現(xiàn)都遠(yuǎn)低于人類水平。為進(jìn)一步提升模型能力，作者提出OddGrid-GRPO，一個結(jié)合課程學(xué)習(xí)與距離感知獎勵的強化學(xué)習(xí)框架。通過逐步控制訓(xùn)練樣本的難度，并將空間鄰近約束納入獎勵設(shè)計中，OddGridGRPO顯著增強了模型的精細(xì)視覺辨別能力。該論文希望OddGridBench和OddGrid-GRPO能夠為多模態(tài)智能中感知基礎(chǔ)的建立以及視覺差異敏感度的提升奠定基礎(chǔ)。

圖 1. 人類感知視覺差異敏感度的示意圖，展示了從難以察覺到能夠察覺的色彩、旋轉(zhuǎn)和尺寸方面的視覺差異的轉(zhuǎn)變過程。

主要貢獻(xiàn)

1. 提出了OddGridBench，一個可擴展且可控的基準(zhǔn)測試工具，用于評估多語言語言模型在感知差異方面的能力。通過在參數(shù)化空間中生成基于網(wǎng)格的圖像，并持續(xù)控制顏色、大小、旋轉(zhuǎn)和位置等要素，OddGridBench能夠?qū)δＰ驮诙鄠€感知維度上的敏感性進(jìn)行定量和系統(tǒng)的分析。

2. 對一系列最先進(jìn)的開源和專有機器學(xué)習(xí)語言模型進(jìn)行了全面的實驗，結(jié)果揭示了在所有模型類別中，細(xì)粒度感知識別方面存在一致且此前未被充分研究的故障模式。

3. 提出了OddGrid-GRPO，它將循序漸進(jìn)學(xué)習(xí)與一種基于距離的獎勵機制相結(jié)合，這種獎勵機制能提供持續(xù)的感知反饋。該框架能夠逐步增強差異敏感性，并實現(xiàn)更精細(xì)的視覺辨別能力。

圖 2. 奇異網(wǎng)格基準(zhǔn)測試概述。奇異網(wǎng)格基準(zhǔn)測試涵蓋了四個主要的視覺屬性，包括顏色、大小、旋轉(zhuǎn)和位置，并支持單一屬性和多屬性差異組合，為評估多層低秩模型的感知差異敏感性提供了一個系統(tǒng)的框架。

圖 3.MLLMs 在 OddGridBench 上的評估結(jié)果。人類的表現(xiàn)明顯優(yōu)于所有參與評估的 MLLM，無論是在顏色、尺寸、旋轉(zhuǎn)和位置方面，還是在多種類型組合方面均如此。

具體細(xì)節(jié)

論文構(gòu)建了 OddGridBench數(shù)據(jù)集，采用“奇偶檢測”范式，每個樣本是一個由 5×5 至 9×9 圖標(biāo)組成的網(wǎng)格，其中只有一個圖標(biāo)在顏色（ΔE）、大?。é）、旋轉(zhuǎn)（Δθ）或位置（Δx,Δy）上與其余圖標(biāo)存在微小差異。數(shù)據(jù)集包含 1400 個測試樣本，覆蓋四個單一屬性變化和三個多屬性組合。

圖 4.OddGridBench數(shù)據(jù)生成流程概述：該流程在嚴(yán)格控制的感知條件下，根據(jù)收集到的圖標(biāo)構(gòu)建基于網(wǎng)格的圖像，以評估視覺差異敏感度。

在模型評估方面，作者測試了 19 個主流 MLLMs，包括開源模型（如 Qwen3-VL、InternVL3.5）和閉源系統(tǒng)（如 GPT-5、Gemini-2.5-Pro），并與人類表現(xiàn)進(jìn)行對比。

在訓(xùn)練方法上，論文提出 OddGrid-GRPO，改進(jìn)自 GRPO 算法。主要創(chuàng)新包括：（1）課程學(xué)習(xí)：將訓(xùn)練樣本按難度分為易、中、難三組，逐步訓(xùn)練模型，從明顯差異過渡到細(xì)微差異；（2）距離感知獎勵：替代傳統(tǒng)二元獎勵，根據(jù)預(yù)測位置與真實位置之間的歐氏距離給予連續(xù)獎勵（高斯衰減），并加入格式獎勵。最終獎勵函數(shù)為：

有效提升了模型的空間定位與細(xì)粒度判別能力。

圖 5.OddGrid-GRPO 框架概述。OddGrid-GRPO 將基于課程的優(yōu)化與基于空間的獎勵塑造相結(jié)合，以增強感知基礎(chǔ)，并提高多語言語言模型中的精細(xì)視覺辨別能力。

實驗結(jié)果

• 人類 vs 模型：人類總體準(zhǔn)確率達(dá) 87.47%，而最佳模型 Qwen3-VL-32B 僅為 68.07%，Gemini-2.5-Pro 為 49.29%，GPT-5 僅 28.93%。

表 1.各種 MLLM 在 OddGridBench 數(shù)據(jù)集上的準(zhǔn)確率（%）。該基準(zhǔn)測試評估了在四個感知維度以及它們的多種組合下的精細(xì)視覺辨別能力。深灰色和淺灰色分別表示所有模型中的最佳結(jié)果和次佳結(jié)果。

• 屬性差異敏感度：模型對顏色差異最敏感，對旋轉(zhuǎn)和位置差異最不敏感。

圖 6. 在四個視覺維度中不同感知差異幅度下的準(zhǔn)確率。

• OddGrid-GRPO 效果：在 Qwen3-VL-2B 上，OddGrid-GRPO 將總體準(zhǔn)確率從 17.14%（基線）提升至 82.64%，顯著優(yōu)于標(biāo)準(zhǔn) GRPO（70.86%）和 GSPO（75.93%）。

表 3. 在 OddGridBench 上針對所有感知屬性類型，對 OddGrid-GRPO 與現(xiàn)有強化學(xué)習(xí)方法（上半部分）及其變體（下半部分）的定量比較結(jié)果。

總結(jié)

本文揭示了當(dāng)前多模態(tài)大語言模型在細(xì)粒度視覺差異感知方面的系統(tǒng)性不足，提出并開源了可控、可擴展的評估基準(zhǔn) OddGridBench，以及有效的強化學(xué)習(xí)提升框架 OddGrid-GRPO。實驗表明，即使是最先進(jìn)的模型，在類似人類的視覺“找不同”任務(wù)中仍遠(yuǎn)未達(dá)到人類水平。

本文推出了 OddGridBench 這一可調(diào)控的基準(zhǔn)測試工具，用于評估 MLLMs 的視覺差異敏感度。研究發(fā)現(xiàn)，精細(xì)的感知敏感度仍是當(dāng)前 MLLMs 的一個關(guān)鍵瓶頸，阻礙了它們實現(xiàn)可靠且基于實際的視覺理解的能力。本文進(jìn)一步開發(fā)了 OddGrid-GRPO，一個強化學(xué)習(xí)框架，它將空間距離嵌入到訓(xùn)練目標(biāo)中，并將基于課程的優(yōu)化與距離感知獎勵相結(jié)合，以提高訓(xùn)練的穩(wěn)定性和與人類一致的視覺敏感度。本文致力于OddGridBench 和 OddGridGRPO 構(gòu)建了一個基于原理的感知基礎(chǔ)學(xué)習(xí)框架，為多模態(tài)智能的感知基礎(chǔ)提供了新的見解。

參考資料：

Weng T, Jiang W, Wang J, et al. OddGridBench: Exposing the Lack of Fine-Grained Visual Discrepancy Sensitivity in Multimodal Large Language Models[J]. arXiv, 2026.