MM-HELIX团队 投稿
量子位 | 公众号 QbitAI
多模态大模型表现越来越惊艳，但人们也时常困于它的“耿直”。
无论是生成代码、分析图表还是回答问题，诸多多模态大模型（MLLM）都倾向于给出一个“一步到位”的答案。它们就像一个从不检查作业的“学霸”，虽然知识渊博，但一旦在复杂的、需要反复试错的问题上走错一步，就很难回头。这种能力的缺失，正是阻碍AI从“知识容器”迈向“问题解决大师”的关键瓶颈。
现在，来自上海交通大学和上海人工智能实验室的研究团队，带来了新的解决方案——MM-HELIX。
MM-HELIX不仅是一个项目，更是一个完整的生态体系，旨在赋予AI一种最接近人类智慧的能力：长链反思性推理（long-chain reflective reasoning）。
多种多模态反思任务
我们无法提升我们无法衡量的东西。为了精准评估AI的反思推理能力，团队首先构建了一个前所未有的“终极考场”——MM-HELIX Benchmark。
它不再是简单的看图说话或数学计算，而是包含了42种横跨算法、图论、谜题和策略游戏的超高难度任务，例如：
- 逻辑的迷宫：在“扫雷”中根据数字线索进行缜密推理与回溯。
- 策略的博弈：在“推箱子”中规划长远，避免一步走错，满盘皆输。
- 算法的具象：寻找图中的“哈密顿路径”，需要在脑海中进行多次路径规划与剪枝。
团队搭建了42个任务的Sandbox，包含Generator，Solver，Validator等多个关键部件，并根据题目复杂度区分了五层难度，并最终收集了1260道题目，对当前的多模态大模型进行了细粒度的评估，评估结果如下：
MM-HELIX评估结果
测试结果令人震惊：即便是当前最顶尖的闭源和开源模型，在这份考卷上也纷纷“折戟”，准确率惨淡，仅有GPT5超过了50分；不具有反思能力的模型更是只有10分左右的准确率。与此同时，模型在面对多模态输入时，准确率相比于纯文本输入有大幅的下降。这有力地证明了，教会多模态大模型反思，刻不容缓！
如何教会多模态大模型“三思而后行”？你需要一本好的教科书。
为此，团队采用“步骤启发式响应生成”（Step-Elicited Response Generation, SERG）流程，基于MM-HELIX Sandbox数据引擎，通过给模型提供解题的关键步骤（key step）来生成解题过程，不仅相比直接让模型解题（rollout）推理时间减少了90%，同时还大幅降低了解题过程中过度反思带来的冗余度，高效高质地生成了多模态反思性思维链。
基于SERG流水线，作者团队打造了MM-HELIX-100K，一个包含10万个高质量样本的“反思推理秘籍”。这种充满“自我纠错”和“灵光一闪”的数据，是教会多模态学会反思与复盘的完美养料。
AHPO算法示意图
有了“考场”和“秘籍”，还需要一位懂得因材施教的“导师”。
直接微调方法（SFT）容易导致模型在通用能力上“灾难性遗忘”，而On-policy强化学习则因任务难度过高，奖励稀疏而“学不会”。
为此，团队提出了创新的自适应混合策略优化算法（Adaptive Hybrid Policy Optimization, AHPO）。
AHPO算法的智慧之处在于它的“动态教学”：
- 当模型是“新手”时：在复杂任务上屡屡碰壁，奖励稀疏，AHPO会引入“专家数据”进行强力指导，相当于手把手教学，帮模型快速入门。
- 当模型变“熟练”后：成功率提高，奖励密集，AHPO会逐渐“放手”，减少专家干预，鼓励模型自由探索，发现比标准答案更优、更巧妙的解法。
这种“扶上马、送一程、再放手”的自适应机制，完美解决了学习过程中的两难问题，让模型既能学到专家的智慧，又能发展出自己的独立思考能力。
实验结果
搭载了MM-HELIX-100K和AHPO的Qwen2.5-VL-7B模型，实现了惊人的蜕变：
- 在MM-HELIX基准测试上，准确率飙升+18.6%，一举超越了体量远大于自身的SOTA模型。
- 更令人振奋的是，这种反思能力展现出了强大的泛化性！在多个通用的数学和逻辑推理任务上，模型平均性能提升了+5.7%。
这证明，MM-HELIX教会模型的不是如何“背题”，而是真正掌握了“反思”这一可迁移的元能力。
MM-HELIX Benchmark，MM-HELIX 100k，MM-HELIX Sandbox Environment目前均已开源。
项目主页： https://mm-helix.github.io/
