仅0.2B就比GPT-4.1强？加州大学新指标：组合推理基准首次超越人类

新智元报道

编辑：LRST

【新智元导读】加州大学河滨分校团队发现，AI组合推理表现不佳部分源于评测指标过于苛刻。他们提出新指标GroupMatch和Test-Time Matching算法，挖掘模型潜力，使GPT-4.1在Winoground测试中首次超越人类，0.2B参数的SigLIP-B16在MMVP-VLM基准测试上超越GPT-4.1并刷新最优结果。这表明模型的组合推理能力早已存在，只需合适方法在测试阶段解锁。

前沿的人工智能模型虽然在众多任务上取得了显著进展，但研究发现，它们在组合推理 (compositional reasoning) 方面仍表现不佳，在多个经典基准测试上甚至低于随机猜测水平。

加州大学河滨分校Yinglun Zhu研究团队重新审视了这一问题，发现其根源之一在于评测指标本身——它系统性地低估了模型的真实能力。

博客链接：https://yinglunz.com/blogs/ttm.html

论文链接：https://arxiv.org/pdf/2510.07632

代码链接：https://github.com/yinglunz/test-time-matching

团队据此提出了新的GroupMatch指标，能够挖掘被现有评测掩盖的潜在能力，使GPT-4.1首次在Winoground基准测试上超越人类表现。

基于这一洞见，团队进一步提出一种无需外部监督、能够自我改进的迭代算法Test-Time Matching（TTM），可在模型推理阶段显著提升性能。

得益于TTM，仅0.2B参数的SigLIP-B16就在MMVP-VLM基准测试上超越了GPT-4.1，刷新了当前最优结果。

研究背景

组合推理（compositional reasoning）体现了AI是否具备「举一反三」的能力——能否将对象、属性和关系重新组合，去理解新的情境。

像Winoground这样的基准测试通过2×2群组设计来考察这种能力：其中两条文本用词相同但顺序不同，每条只对应其中一张图像。

尽管这些模型在多模态任务中表现出强大能力，但对比式视觉语言模型（VLMs）和多模态大语言模型（MLLMs）在这类基准测试中表现依然有限。

在Winoground基准测试上，即便是前沿模型的得分也远低于人类水平（约85.5分）；

此前的最佳结果仅为58.75，且是通过对GPT-4V进行scaffolding和prompt tuning实现的。

重新审视评测指标

从随机猜测到群组匹配

加州大学河滨分校（UCR）研究团队发现，模型在组合推理任务中的低分，部分源自评测指标本身。

当前广泛使用的GroupScore指标过于严格：它要求每张图像都与正确的文本匹配、每段文本也与正确的图像匹配，但并不检查整个群组的全局一致性。

只要有一次错配，整组得分就会被判为0。

假设每组包含k张图像和k条文本描述，GroupScore只逐一检查图像与文本之间的匹配情况，而忽略整体关系。

在随机匹配下，成功率仅为 (k−1)! / (2k−1)!；当k = 2时，这个概率只有六分之一。

为解决这一问题，团队提出了新的GroupMatch指标，用于评估群组内的整体最优匹配，而不是孤立的成对比较。

GroupMatch会考虑所有可能的匹配方式（共k!种），并选择最可能的那一个。

这样，在随机猜测下的成功率提升为1 / k!——当k = 2时为二分之一，比原来的六分之一大幅提高。

更关键的是，如果模型能在GroupMatch下找到正确匹配，只需在测试阶段对该匹配进行过拟合，就能在原始GroupScore下获得满分。

基于这一发现，团队提出了一个简单的SimpleMatch两步法：

1. 使用 GroupMatch 选择最可能的匹配；

2. 在测试阶段对该匹配进行过拟合。

如上图所示，SimpleMatch揭示了模型中大量「被隐藏」的潜力——它让仅有0.2B参数的SigLIP-B16超越了此前所有结果，并使GPT-4.1首次在Winoground上超过人类表现。

Test-Time Matching

在测试阶段自我迭代提升模型能力

为进一步提升模型表现，UCR研究团队提出了一种无需外部监督、能够自我改进的迭代算法Test-Time Matching (TTM)。

每次迭代包括三个步骤：

1. 模型对所有群组进行匹配预测；

2. 仅保留置信度高的匹配（即得分差距超过阈值）作为伪标签，并在这些伪标签上自我微调；

3. 随着迭代进行，逐步放宽阈值，以纳入更多样本。

TTM的核心在于两点：

1. 基于GroupMatch的伪标签能更有效地利用群组结构，提供更强的监督信号；

2. 阈值的逐步衰减机制让模型先从高置信数据学习，再逐步扩展覆盖范围。

这一算法可以看作测试时训练 (test-time training) 的一种形式，结合了自训练 (self-training)、半监督学习 (semi-supervised learning) 和主动学习 (active learning) 的思想。

从实验结果来看，TTM在多个数据集和模型上都稳定优于 SimpleMatch：相对性能提升最高可达 10.5%，相对错误率下降54.8%

值得注意的是，TTM让SigLIP-L16在ColorSwap数据集上提升至GPT-4.1的水平，并使SigLIP-B16（仅0.2B参数）在MMVP-VLM上超越GPT-4.1，刷新了当前最优结果。

TTM的广泛适用性

虽然前面的结果主要基于方形群组（k×k）的组合推理任务，但TTM同样适用于矩形群组，甚至是没有群组结构的数据集。

指标变化不带来提升的情况

在只有1×k结构的群组中，GroupMatch与GroupScore等价，因此单纯更换指标并不会改进结果。

即便如此，TTM在SugarCrepe和WhatsUp等数据集上依然带来了显著提升，其中在WhatsUp上的相对增幅高达85.7%，让原本困难的任务变得可解。

无群组结构的情况

TTM还能将整个数据集视为一个全局的「图像-文本匹配问题」（assignment problem），并在多项式时间内求解。

即使将Winoground、MMVP-VLM和ColorSwap等数据集全部「打平」为无群组结构，TTM依然能显著提升表现，最高可带来33.3%的相对错误率下降。

讨论与展望

UCR研究团队重新审视了多模态模型在组合推理上的长期难题，指出：许多被认为的「失败」，其实源自评测指标的局限。

团队提出的GroupMatch指标与Test-Time Matching (TTM) 算法表明，模型的组合推理能力早已存在——只需要在测试阶段，用合适的方法将其「解锁」。

在覆盖16个不同数据集变体的系统实验中，TTM在多种设置下都展现出稳定而显著的改进，推动了多模态推理研究的前沿进展。

展望未来，团队认为有两个方向值得进一步探索：

• 重新思考模型评估：同一个模型在不同指标下可能表现出截然不同的能力，这提醒我们需要建立更稳健、更统一的评测框架。

• 将TTM推广至组合推理之外：虽然TTM起源于组合推理，但它的核心思想——在测试阶段进行匹配式自训练——具有普适性。该思路有望在更广泛的多模态和语言任务中发挥作用，推动AI模型迈向真正的「自适应、自进化」。

参考资料：

https://arxiv.org/pdf/2510.07632