马里兰大学研究团队近期在人工智能视觉推理领域取得重要进展，其开发的V-REX评估框架为AI推理能力提供了全新测试标准。这项研究通过模拟侦探破案过程，将复杂视觉任务拆解为多步骤推理链条，系统评估AI在制定探索策略与执行具体任务时的表现差异。
研究团队将AI推理过程类比为侦探工作：优秀侦探既需要制定周密的调查计划，也要具备精准执行每项调查任务的能力。当前AI模型普遍存在"重执行轻规划"的倾向，如同新手侦探急于指认嫌疑人却忽视证据收集。V-REX框架通过"问题链"设计，将视觉推理任务分解为逻辑递进的子问题，分别测试AI的规划能力与跟随能力。
实验设计包含两大核心测试模块。规划能力测试要求AI在多选题中选出最有助于解决问题的下一步探索方向，类似侦探在调查现场选择优先检查的线索；跟随能力测试则要求AI按既定问题链逐步回答，考验其对视觉信息的理解与逻辑串联能力。测试结果显示，90%的AI模型在跟随任务中表现稳定，但在规划任务中差异显著，表明"按图索骥"相对容易，"运筹帷幄"仍需突破。
模型规模与推理能力呈现明显正相关。十亿参数级小模型如同专业技师，在执行既定推理路径时准确率达85%，但自主规划能力不足40%；数百亿参数级大模型则展现出全科专家特质，规划准确率提升至68%，且在复杂场景中能动态调整策略。这种差异源于大模型更强的知识整合能力，其神经网络结构可同时处理多领域信息，形成更完整的推理链条。
研究团队将视觉推理细分为四大类型：演绎推理要求发现隐藏规律，如通过流程图推断程序逻辑；猜测推理需在信息不全时做出合理判断，例如根据街景照片推测拍摄地点；导航推理考验空间规划能力，如设计最优地图路线；检索推理则聚焦信息定位，如在复杂图表中查找特定数据。不同模型在各类推理中表现分化，某开源模型在图案规律识别中超越商业模型，但在需要常识判断的场景中明显落后。
错误恢复能力测试揭示关键发现：AI更易从规划失误中恢复（成功率62%），但执行错误会导致连锁反应（恢复率仅28%）。大型商业模型展现更强韧性，其神经网络结构可同时激活多条推理路径，当主路径受阻时能快速切换备用方案。相比之下，小模型通常只有单一推理通道，错误发生后难以调整方向。
引导式推理实验带来突破性进展。当提供结构化问题链时，所有模型性能平均提升35%，其中小模型提升达52%。这种提升在演绎推理中最为显著，逐步拆解使AI能准确建立逻辑桥梁。研究团队开发出"知识脚手架"引导策略，通过逐步引入背景信息帮助AI构建推理框架，这种模式在医疗诊断辅助系统中已展现应用潜力。
开源模型与商业模型的竞争格局正在重塑行业生态。顶级商业模型在战略规划任务中保持领先，其训练数据包含更多复杂场景，神经网络层数达到200层以上。但开源社区通过模块化设计实现弯道超车，某视觉专用模型在图案识别任务中达到92%准确率，超越多数商业模型。这种分化促使企业采用混合架构，在核心推理模块使用商业模型，在特定领域接入开源组件。
该研究开发的评估数据集包含5000条高质量问题链，覆盖200个真实场景，每个链条都经过三轮专家验证。这种标准化测试平台已吸引谷歌、OpenAI等机构参与基准测试，推动行业建立统一评估标准。研究团队正在开发动态评估系统，通过实时调整问题难度实现AI能力的精准定位，该技术有望应用于自动驾驶、智能医疗等领域。
完整研究报告已上传至arXiv平台（编号：2512.11995v1），详细披露了问题链构建方法、模型评估指标及实验原始数据。这份长达120页的技术文档为AI推理研究提供了全新范式，其提出的"推理粒度"概念正在引发学术界讨论，该指标通过计算问题链中有效步骤占比，可量化评估AI思维的深度与效率。
