---
title: "MMMU Benchmark"
source: "https://systems-analysis.info/wiki/MMMU_Benchmark"
wiki: "systems-analysis.info/wiki"
article: "MMMU_Benchmark"
language: "ru"
categories:
  - "Категория:Russian"
  - "Категория:Бенчмарки LLM"
  - "Категория:Большие языковые модели"
  - "Категория:Машинное обучение"
  - "Категория:Оценка LLM"
revision_id: 3733
wiki_created_at: 2026-11-19T07:22:49Z
wiki_modified_at: 2026-11-19T09:40:26Z
downloaded_at: 2026-11-19T09:41:15Z
---

# MMMU Benchmark

**MMMU** (**Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark for Expert AGI**) — [бенчмарк](https://systems-analysis.info/wiki/%D0%91%D0%B5%D0%BD%D1%87%D0%BC%D0%B0%D1%80%D0%BA%D0%B8_LLM "Бенчмарки LLM"), предназначенный для оценки возможностей мультимодальных моделей — [больших мультимодальных моделей](https://systems-analysis.info/wiki/%D0%9C%D1%83%D0%BB%D1%8C%D1%82%D0%B8%D0%BC%D0%BE%D0%B4%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_LLM "Мультимодальные LLM") (LMM), совместно обрабатывающих изображения и текст, — по широкому спектру академических дисциплин. Бенчмарк был представлен в 2023 году в статье *MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark for Expert AGI* группы исследователей под руководством **Сяна Юэ** (*Xiang Yue*) и опубликован в формате устного доклада на конференции CVPR в 2024 году<sup>[\[1\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-mmmu_paper-1)</sup>.

MMMU создан для измерения трёх ключевых навыков мультимодальных моделей — *восприятия* (*perception*), *знаний* (*knowledge*) и *рассуждения* (*reasoning*) — на уровне вузовских программ. Он позиционируется как мультимодальный аналог чисто текстовых бенчмарков знаний, таких как [MMLU](https://systems-analysis.info/wiki/MMLU_benchmark "MMLU benchmark"), и как более требовательная альтернатива ранним бенчмаркам визуального ответа на вопросы (например, ScienceQA), на которых передовые модели начали выходить на высокие результаты. В отличие от тех наборов, MMMU требует осознанных рассуждений в сочетании с профильными экспертными знаниями, а не опоры на здравый смысл или простое перцептивное понимание<sup>[\[1\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-mmmu_paper-1)</sup>. Несмотря на слова «Expert AGI» в названии, авторы прямо предупреждают, что высокие результаты на MMMU следует считать *необходимым*, но не *достаточным* критерием экспертного искусственного общего интеллекта<sup>[\[1\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-mmmu_paper-1)</sup>.

## Описание и содержание

MMMU состоит из **11 550 мультимодальных вопросов**, охватывающих **шесть базовых дисциплин**, **30 предметов** и **183 подобласти**. Вопросы были вручную собраны командой из примерно 50 студентов (включая соавторов работы) из вузовских экзаменов, тестов, учебников и лекционных материалов, после чего прошли дедупликацию и фильтрацию по формату, вариантам ответов и чрезмерной лёгкости. Датасет разделён на набор разработки для формата few-shot (150 вопросов, по 5 на предмет), валидационный набор (900 вопросов) и тестовый набор (10 500 вопросов)<sup>[\[1\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-mmmu_paper-1)</sup>. Шесть дисциплин:

- Искусство и дизайн (искусство, теория искусства, дизайн, музыка).
- Бизнес (бухгалтерский учёт, экономика, финансы, менеджмент, маркетинг).
- Естественные науки (биология, химия, физика, математика, география).
- Здоровье и медицина (клиническая медицина, фармация, общественное здоровье, базовые и диагностические медицинские науки).
- Гуманитарные и социальные науки (история, литература, социология, психология).
- Техника и инженерия (информатика, электроника, машиностроение и материаловедение, энергетика)<sup>[\[1\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-mmmu_paper-1)</sup>.

Определяющая особенность MMMU — разнообразие визуального материала: в вопросы входят **30 сильно гетерогенных типов изображений**, включая графики, диаграммы, карты, таблицы, ноты, химические структуры, медицинские снимки, живопись и геометрические фигуры<sup>[\[1\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-mmmu_paper-1)[\[2\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-image_type_note-2)</sup>. Примерно **97,5 %** вопросов содержат хотя бы одно изображение в условии, а около 7,4 % включают несколько изображений<sup>[\[1\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-mmmu_paper-1)</sup>.

Большинство вопросов представлены в формате множественного выбора — **10 861 (94,03 %)** с четырьмя вариантами ответа каждый, остальные **689 (5,97 %)** являются открытыми. На подмножестве с выбором ответа случайное угадывание даёт примерно 25 % точности. Авторы размечают вопросы по сложности на лёгкие (28 %), средние (45 %) и трудные (27 %) и оценивают модели преимущественно в режиме *zero-shot* без донастройки, используя микроусреднённую точность с извлечением ответа на основе правил (невалидные ответы в задачах с выбором трактуются как случайные)<sup>[\[1\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-mmmu_paper-1)</sup>.

## Результаты и развитие

На момент релиза MMMU в конце 2023 года даже сильнейшие проприетарные модели показывали результаты, значительно уступающие экспертам-людям. На валидационном наборе GPT-4V(ision) достигала около **56 %**, а Google Gemini Ultra — около **59 %** (округлённые значения из аннотации статьи), тогда как большинство открытых LMM показывали существенно более низкие результаты<sup>[\[1\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-mmmu_paper-1)</sup>. Для сравнения: результат эксперта-человека был позже добавлен в официальный лидерборд в январе 2024 года — в исходной статье его не было — и приводится для трёх уровней: **76,2 %** (худший), **82,6 %** (средний) и **88,6 %** (лучший)<sup>[\[3\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-human_baseline-3)</sup>.

Прогресс на исходном MMMU (с четырьмя вариантами ответа) был стремительным. По данным сторонних агрегаторов, к началу-середине 2026 года сильнейшие модели достигли примерно **85–87 %** на валидационном наборе, приблизившись к уровню лучшего эксперта (88,6 %); большинство лидеров — рассуждающие модели («thinking»)<sup>[\[4\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-leaderboard_val-4)</sup>. Такие величины напрямую несопоставимы между источниками, поскольку различаются обвязки для оценки, протоколы промптинга (zero-shot против chain-of-thought) и даже сам состав вопросов. Например, лидерборд Vals AI приводит результаты около 88–89 %, однако его оценка использует четырёхвариантный формат примерно из 1 700 вопросов, взятых из датасета MMMU-Pro, и сравнивает их с человеческим базовым уровнем исходного MMMU — конфигурация, отличающаяся и от тестового набора исходного MMMU, и от официального бенчмарка MMMU-Pro<sup>[\[5\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-vals_note-5)</sup>.

Такое скопление лидирующих моделей у отметки лучшего эксперта означало постепенное «насыщение» исходного четырёхвариантного формата и снижение его способности различать передовые системы — та же траектория, что ранее наблюдалась у MMLU, — и мотивировало выпуск более сложных вариантов (см. ниже). На существенно более трудном официальном [MMMU-Pro](https://systems-analysis.info/wiki/MMMU-Pro_Benchmark "MMMU-Pro Benchmark") разрыв больше: на момент релиза (конец 2024 года) протестированные модели показывали относительное снижение точности от 16,8 % до 26,9 % по сравнению с MMMU, однако новейшие передовые модели закрыли значительную часть этого разрыва. Google сообщила, что Gemini 3 Pro набрала **81,0 %** на MMMU-Pro (и 87,6 % на видеобенчмарке Video-MMMU)<sup>[\[6\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-gemini3-6)</sup>, приблизившись к *оценённому* лучшему человеческому уровню для MMMU-Pro — около 85,4 %, причём сама эта величина является приближением, а не прямым измерением (см. ниже). Некоторые публичные лидерборды описывают прогресс как приближение к асимптотическому пределу, однако это интерпретация конкретного лидерборда, а не установленный результат, и она зависит от того, какой вариант датасета и протокол используются<sup>[\[5\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-vals_note-5)</sup>.

К свежим результатам применима ещё одна оговорка: официальные ответы тестового набора MMMU были опубликованы в феврале 2026 года, поэтому результаты, заявленные после этой даты, следует интерпретировать с осторожностью в части возможного загрязнения данных (*data contamination*), особенно для моделей, обучавшихся или донастраивавшихся после релиза<sup>[\[7\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-test_release-7)</sup>.

## Ограничения и критика

Несмотря на широкое распространение в качестве стандартной мультимодальной оценки, MMMU имеет ряд заметных ограничений.

### Формат множественного выбора и «шорткаты»

При всего четырёх вариантах ответа модель иной раз может прийти к правильному ответу через исключение или статистические упрощения, а не подлинное мультимодальное понимание, что может завышать её фактические способности. Смежная проблема — часть вопросов поддаётся чисто текстовым моделям вовсе без обращения к изображению, то есть некоторая доля бенчмарка строго не требует визуального восприятия. Обе проблемы были среди главных мотивов для варианта MMMU-Pro, который отфильтровывает вопросы, отвечаемые без изображения, и расширяет набор вариантов<sup>[\[8\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-mmmu_pro-8)</sup>.

### Методология оценки

Результаты сильно зависят от протокола оценки — zero-shot против промптинга chain-of-thought, конкретных формулировок промпта, способа подсчёта и обвязки для оценки, — а также от используемого разбиения (валидационное или тестовое). Поэтому результаты напрямую нельзя сравнивать, если протокол полностью не специфицирован. Авторы MMMU-Pro сообщают, что рассуждения chain-of-thought в целом повышают результаты, тогда как явные OCR-промпты почти не влияют, поскольку сильные модели и так извлекают встроенный текст без них<sup>[\[8\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-mmmu_pro-8)</sup>.

### Качество данных и человеческий базовый уровень

В исходной статье авторы вручную проанализировали 150 ошибок GPT-4V и обнаружили преобладание перцептивных ошибок, но также выявили небольшую долю ошибок разметки (около 2 %), что указывает на присутствие шума в метках<sup>[\[1\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-mmmu_paper-1)</sup>. Кроме того, результат эксперта-человека на более сложном MMMU-Pro не измерен напрямую, а приближённо выведен из данных оценки исходного MMMU (с оценённой точностью верхнего уровня около 85,4 %), что, как признают авторы, вносит потенциальное смещение в заявленный человеческий потолок и усложняет утверждения о достижении моделями «уровня эксперта»<sup>[\[8\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-mmmu_pro-8)</sup>.

## Производные версии и связанные расширения

Для устранения ограничений исходного MMMU и распространения его на новые сценарии создан ряд вариантов и родственных бенчмарков.

- **[MMMU-Pro](https://systems-analysis.info/wiki/MMMU-Pro_Benchmark "MMMU-Pro Benchmark")**. Более устойчивая и сложная версия, представленная в сентябре 2024 года и опубликованная на ACL 2025. Она построена в три шага: фильтрация вопросов, отвечаемых чисто текстовыми моделями, расширение набора кандидатов с четырёх до десяти и добавление режима *vision-only*, в котором текст вопроса встроен в изображение без сопровождающего текстового промпта, что заставляет модель читать и рассуждать одновременно. Итоговый набор содержит 3 460 вопросов (1 730 в стандартном формате и 1 730 с vision-входом); протестированные на релизе модели показали относительное снижение точности от **16,8 % до 26,9 %** относительно исходного MMMU<sup>[\[8\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-mmmu_pro-8)</sup>.
- **Video-MMMU**. Видеобенчмарк под руководством Кайруя Ху (*Kairui Hu*) и коллег (включая нескольких авторов MMMU), представленный в январе 2025 года; оценивает приобретение знаний из обучающих видео. Включает 300 видео экспертного уровня по тем же шести дисциплинам и проверяет три когнитивные стадии — восприятие, понимание и адаптацию. С помощью метрики прироста знаний (Δknowledge — улучшение после просмотра видео, а не абсолютная точность) он выявил большой разрыв между людьми и моделями: эксперты-люди улучшали результат на **33,1 %**, а лучшая модель того времени (GPT-4o) — лишь на 15,6 %<sup>[\[9\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-video_mmmu-9)</sup>.
- **Uni-MMMU**. Родственный бенчмарк, представленный в октябре 2025 года; совместно оценивает мультимодальное понимание и генерацию изображений по восьми предметным областям, ориентированным на рассуждения, используя проверяемые промежуточные шаги рассуждения и воспроизводимый протокол подсчёта как для текстовых, так и для визуальных результатов<sup>[\[10\]](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_note-uni_mmmu-10)</sup>.

## См. также

- [Бенчмарки LLM](https://systems-analysis.info/wiki/%D0%91%D0%B5%D0%BD%D1%87%D0%BC%D0%B0%D1%80%D0%BA%D0%B8_LLM "Бенчмарки LLM")
- [Мультимодальные LLM](https://systems-analysis.info/wiki/%D0%9C%D1%83%D0%BB%D1%8C%D1%82%D0%B8%D0%BC%D0%BE%D0%B4%D0%B0%D0%BB%D1%8C%D0%BD%D1%8B%D0%B5_LLM "Мультимодальные LLM")
- [Большие языковые модели](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели")
- [MMMU-Pro Benchmark](https://systems-analysis.info/wiki/MMMU-Pro_Benchmark "MMMU-Pro Benchmark")
- [MMLU benchmark](https://systems-analysis.info/wiki/MMLU_benchmark "MMLU benchmark")
- [Big-Bench Hard](https://systems-analysis.info/wiki/Big-Bench_Hard "Big-Bench Hard")
- [MATH-500](https://systems-analysis.info/wiki/MATH-500 "MATH-500")
- [Terminal-Bench](https://systems-analysis.info/wiki/Terminal-Bench "Terminal-Bench")
- [LiveCodeBench](https://systems-analysis.info/wiki/LiveCodeBench "LiveCodeBench")
- [ARC-AGI-2](https://systems-analysis.info/wiki/ARC-AGI-2 "ARC-AGI-2")
- [OSWorld](https://systems-analysis.info/wiki/OSWorld "OSWorld")
- [τ-bench](https://systems-analysis.info/wiki/%CE%A4-bench "Τ-bench")
- [FrontierMath](https://systems-analysis.info/wiki/FrontierMath "FrontierMath")
- [SWE-bench Pro](https://systems-analysis.info/wiki/SWE-bench_Pro "SWE-bench Pro")
- [SWE-bench Verified](https://systems-analysis.info/wiki/SWE-bench_Verified "SWE-bench Verified")
- [GDPval-AA v2](https://systems-analysis.info/wiki/GDPval-AA_v2 "GDPval-AA v2")

## Ссылки

- <a href="https://github.com/MMMU-Benchmark/MMMU" class="external text" rel="nofollow">Официальный репозиторий MMMU на GitHub</a>
- <a href="https://mmmu-benchmark.github.io/" class="external text" rel="nofollow">Проектная страница MMMU и лидерборд</a>
- <a href="https://huggingface.co/datasets/MMMU/MMMU" class="external text" rel="nofollow">Датасет MMMU на Hugging Face</a>
- MMMU — статья в англоязычной Википедии (<a href="https://en.wikipedia.org/wiki/MMMU" class="external text" rel="nofollow">en.wikipedia.org</a>).
- Англоязычная версия статьи на systems-analysis.info: <a href="https://systems-analysis.info/eng/MMMU_Benchmark" class="external text" rel="nofollow">MMMU Benchmark</a>.

## Литература

- Yue, X. et al. (2024). *MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark for Expert AGI*. CVPR 2024. <a href="https://arxiv.org/abs/2311.16502" class="external text" rel="nofollow">arXiv:2311.16502</a>.
- Yue, X. et al. (2025). *MMMU-Pro: A More Robust Multi-discipline Multimodal Understanding Benchmark*. ACL 2025. <a href="https://arxiv.org/abs/2409.02813" class="external text" rel="nofollow">arXiv:2409.02813</a>.
- Hu, K. et al. (2025). *Video-MMMU: Evaluating Knowledge Acquisition from Multi-Discipline Professional Videos*. <a href="https://arxiv.org/abs/2501.13826" class="external text" rel="nofollow">arXiv:2501.13826</a>.
- Zou, K. et al. (2025). *Uni-MMMU: A Massive Multi-discipline Multimodal Unified Benchmark*. <a href="https://arxiv.org/abs/2510.13759" class="external text" rel="nofollow">arXiv:2510.13759</a>.
- Liang, P. et al. (2022). *Holistic Evaluation of Language Models (HELM)*. <a href="https://arxiv.org/abs/2211.09110" class="external text" rel="nofollow">arXiv:2211.09110</a>.

## Примечания

1.  <span id="cite_note-mmmu_paper-1">↑ <sup>[1,00](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-mmmu_paper_1-0)</sup> <sup>[1,01](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-mmmu_paper_1-1)</sup> <sup>[1,02](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-mmmu_paper_1-2)</sup> <sup>[1,03](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-mmmu_paper_1-3)</sup> <sup>[1,04](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-mmmu_paper_1-4)</sup> <sup>[1,05](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-mmmu_paper_1-5)</sup> <sup>[1,06](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-mmmu_paper_1-6)</sup> <sup>[1,07](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-mmmu_paper_1-7)</sup> <sup>[1,08](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-mmmu_paper_1-8)</sup> <sup>[1,09](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-mmmu_paper_1-9)</sup> Yue, X. et al. "MMMU: A Massive Multi-discipline Multimodal Understanding and Reasoning Benchmark for Expert AGI". *arXiv:2311.16502*, 2023 (CVPR 2024, pp. 9556–9567). <a href="https://arxiv.org/abs/2311.16502" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-image_type_note-2">[↑](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-image_type_note_2-0) The arXiv abstract and several dataset mirrors state 30 image types, while the official GitHub repository and the CVPR poster list 32, apparently reflecting a later revision of the taxonomy. <a href="https://github.com/MMMU-Benchmark/MMMU" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-human_baseline-3">[↑](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-human_baseline_3-0) Human Expert performance was added to the MMMU leaderboard on 31 January 2024; the reported values are 76.2% (worst), 82.6% (medium), and 88.6% (best expert). MMMU project page. <a href="https://mmmu-benchmark.github.io/" class="external autonumber" rel="nofollow">[3]</a></span>
4.  <span id="cite_note-leaderboard_val-4">[↑](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-leaderboard_val_4-0) "MMMU Leaderboard". *LLM-Stats*, 2026. <a href="https://llm-stats.com/benchmarks/mmmu" class="external autonumber" rel="nofollow">[4]</a></span>
5.  <span id="cite_note-vals_note-5">↑ <sup>[5,0](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-vals_note_5-0)</sup> <sup>[5,1](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-vals_note_5-1)</sup> Vals AI, "MMMU Pro" leaderboard, 2026: the page evaluates a four-option format of approximately 1,700 questions and benchmarks against the original MMMU human baseline (76.2–88.6%). <a href="https://www.vals.ai/benchmarks/mmmu" class="external autonumber" rel="nofollow">[5]</a></span>
6.  <span id="cite_note-gemini3-6">[↑](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-gemini3_6-0) "A new era of intelligence with Gemini 3". *Google*, 2025. <a href="https://blog.google/products/gemini/gemini-3/" class="external autonumber" rel="nofollow">[6]</a></span>
7.  <span id="cite_note-test_release-7">[↑](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-test_release_7-0) MMMU-Benchmark, GitHub: "\[2026-02-12\] We have released the answers for the MMMU test set." <a href="https://github.com/MMMU-Benchmark/MMMU" class="external autonumber" rel="nofollow">[7]</a></span>
8.  <span id="cite_note-mmmu_pro-8">↑ <sup>[8,0](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-mmmu_pro_8-0)</sup> <sup>[8,1](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-mmmu_pro_8-1)</sup> <sup>[8,2](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-mmmu_pro_8-2)</sup> <sup>[8,3](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-mmmu_pro_8-3)</sup> Yue, X. et al. "MMMU-Pro: A More Robust Multi-discipline Multimodal Understanding Benchmark". *arXiv:2409.02813*, 2024 (ACL 2025). <a href="https://arxiv.org/abs/2409.02813" class="external autonumber" rel="nofollow">[8]</a></span>
9.  <span id="cite_note-video_mmmu-9">[↑](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-video_mmmu_9-0) Hu, K. et al. "Video-MMMU: Evaluating Knowledge Acquisition from Multi-Discipline Professional Videos". *arXiv:2501.13826*, 2025. <a href="https://arxiv.org/abs/2501.13826" class="external autonumber" rel="nofollow">[9]</a></span>
10. <span id="cite_note-uni_mmmu-10">[↑](https://systems-analysis.info/wiki/MMMU_Benchmark#cite_ref-uni_mmmu_10-0) Zou, K. et al. "Uni-MMMU: A Massive Multi-discipline Multimodal Unified Benchmark". *arXiv:2510.13759*, 2025. <a href="https://arxiv.org/abs/2510.13759" class="external autonumber" rel="nofollow">[10]</a></span>
