CARV：面向多模态LLM组合式类比推理的诊断基准

类比推理检验人类认知的一个基本方面：把关系从一对对象映射到另一对对象。针对多模态大语言模型（MLLM）这一能力的现有评估忽视了从多个来源组合规则的能力，而这是高阶智能的关键组成部分。为弥合这一缺口，我们提出CARV（Compositional Analogical Reasoning in Vision）这一新任务及配套的5,500样本数据集，作为首个诊断基准。我们将类比从单一对象对扩展到多个对象对，这要求MLLM从每个对象对中提取符号规则并组合出新的变换。在最先进MLLM上的评估揭示了惊人的性能差距：即便是Gemini-2.5 Pro也仅取得40.4%的准确率，远低于100%的人类水平。诊断分析显示出两种一致的失败模式：(1)将视觉变化分解为符号规则；(2)在多样或复杂设置下保持鲁棒性——凸显了当前MLLM在这一任务上的局限。