Wahrnehmung, Denken, Schlussfolgern und Planen: Ein Überblick über große multimodale Reasoning-ModellePerception, Reason, Think, and Plan: A Survey on Large Multimodal
Reasoning Models
Das logische Denken liegt im Kern der Intelligenz und prägt die Fähigkeit, Entscheidungen zu treffen, Schlussfolgerungen zu ziehen und über verschiedene Domänen hinweg zu generalisieren. In der künstlichen Intelligenz wird das logische Denken zunehmend essenziell, da Systeme in offenen, unsicheren und multimodalen Umgebungen operieren, um robustes und adaptives Verhalten zu ermöglichen. Große Multimodale Reasoning-Modelle (LMRMs) haben sich als vielversprechendes Paradigma herausgestellt, das Modalitäten wie Text, Bilder, Audio und Video integriert, um komplexe Denkfähigkeiten zu unterstützen und eine umfassende Wahrnehmung, präzises Verständnis und tiefes logisches Denken anzustreben. Mit dem Fortschritt der Forschung hat sich das multimodale Denken schnell von modularen, wahrnehmungsgesteuerten Pipelines zu einheitlichen, sprachzentrierten Frameworks entwickelt, die ein kohärenteres cross-modales Verständnis bieten. Während Instruction Tuning und Reinforcement Learning das Modell-Denken verbessert haben, bestehen weiterhin erhebliche Herausforderungen in der omni-modalen Generalisierung, der Tiefe des logischen Denkens und dem agentenbasierten Verhalten. Um diese Probleme anzugehen, präsentieren wir eine umfassende und strukturierte Übersicht über die Forschung zum multimodalen Denken, die entlang eines vierstufigen Entwicklungsplans organisiert ist, der die sich wandelnden Designphilosophien und aufkommenden Fähigkeiten des Feldes widerspiegelt. Zunächst betrachten wir frühe Ansätze, die auf aufgabenspezifischen Modulen basieren, bei denen das logische Denken implizit über die Stadien der Repräsentation, Ausrichtung und Fusion eingebettet war. Anschließend untersuchen wir neuere Ansätze, die das logische Denken in multimodale LLMs integrieren, wobei Fortschritte wie Multimodale Chain-of-Thought (MCoT) und multimodales Reinforcement Learning reichere und strukturiertere Denkketten ermöglichen. Schließlich diskutieren wir, basierend auf empirischen Erkenntnissen aus anspruchsvollen Benchmarks und experimentellen Fällen wie OpenAI O3 und O4-mini, die konzeptionelle Ausrichtung nativer großer multimodaler Reasoning-Modelle (N-LMRMs), die skalierbares, agentenbasiertes und adaptives Denken und Planen in komplexen, realen Umgebungen unterstützen sollen.