LlamaV-o1是阿联酋穆罕默德·本·扎耶德人工智能大学等机构提出的新多模态视觉推理模型，提升大型语言模型的逐步视觉推理能力。引入视觉推理链基准测试VRC-Bench，包含超4000个推理步骤，全面评估模型推理能力；提出新评估指标，以单步粒度衡量推理质量；采用多步课程学习方法训练，任务按序组织，逐步掌握技能。实验显示性能优于开源模型，在与闭源模型对比中表现优异，推理步骤评分达68.93，能提供逐步解释，在复杂视觉任务中表现出色。

LlamaV-baidu09o1 – 多模态视觉推理模型，采用逐步推理学习方法解决复杂任务 第1张
（图片来源网络，侵删）
LlamaV-baidu09o1 – 多模态视觉推理模型，采用逐步推理学习方法解决复杂任务 第2张
（图片来源网络，侵删）