Desafío MARS2 2025 sobre Razonamiento Multimodal: Conjuntos de Datos, Métodos, Resultados, Discusión y Perspectivas Futuras
MARS2 2025 Challenge on Multimodal Reasoning: Datasets, Methods, Results, Discussion, and Outlook
September 17, 2025
Autores: Peng Xu, Shengwu Xiong, Jiajun Zhang, Yaxiong Chen, Bowen Zhou, Chen Change Loy, David A. Clifton, Kyoung Mu Lee, Luc Van Gool, Ruiming He, Ruilin Yao, Xinwei Long, Jirui Huang, Kai Tian, Sa Yang, Yihua Shao, Jin Feng, Yue Zhong, Jiakai Zhou, Cheng Tang, Tianyu Zou, Yifang Zhang, Junming Liang, Guoyou Li, Zhaoxiang Wang, Qiang Zhou, Yichen Zhao, Shili Xiong, Hyeongjin Nam, Jaerin Lee, Jaeyoung Chung, JoonKyu Park, Junghun Oh, Kanggeon Lee, Wooseok Lee, Juneyoung Ro, Turghun Osman, Can Hu, Chaoyang Liao, Cheng Chen, Chengcheng Han, Chenhao Qiu, Chong Peng, Cong Xu, Dailin Li, Feiyu Wang, Feng Gao, Guibo Zhu, Guopeng Tang, Haibo Lu, Han Fang, Han Qi, Hanxiao Wu, Haobo Cheng, Hongbo Sun, Hongyao Chen, Huayong Hu, Hui Li, Jiaheng Ma, Jiang Yu, Jianing Wang, Jie Yang, Jing He, Jinglin Zhou, Jingxuan Li, Josef Kittler, Lihao Zheng, Linnan Zhao, Mengxi Jia, Muyang Yan, Nguyen Thanh Thien, Pu Luo, Qi Li, Shien Song, Shijie Dong, Shuai Shao, Shutao Li, Taofeng Xue, Tianyang Xu, Tianyi Gao, Tingting Li, Wei Zhang, Weiyang Su, Xiaodong Dong, Xiao-Jun Wu, Xiaopeng Zhou, Xin Chen, Xin Wei, Xinyi You, Xudong Kang, Xujie Zhou, Xusheng Liu, Yanan Wang, Yanbin Huang, Yang Liu, Yang Yang, Yanglin Deng, Yashu Kang, Ye Yuan, Yi Wen, Yicen Tian, Yilin Tao, Yin Tang, Yipeng Lin, Yiqing Wang, Yiting Xi, Yongkang Yu, Yumei Li, Yuxin Qin, Yuying Chen, Yuzhe Cen, Zhaofan Zou, Zhaohong Liu, Zhehao Shen, Zhenglin Du, Zhengyang Li, Zhenni Huang, Zhenwei Shao, Zhilong Song, Zhiyong Feng, Zhiyu Wang, Zhou Yu, Ziang Li, Zihan Zhai, Zijian Zhang, Ziyang Peng, Ziyun Xiao, Zongshu Li
cs.AI
Resumen
Este artículo revisa el desafío MARS2 2025 sobre Razonamiento Multimodal. Nuestro objetivo es reunir diferentes enfoques en aprendizaje multimodal y modelos de lenguaje grandes (LLMs) a través de un amplio benchmark. Esperamos que esto permita a los investigadores seguir el estado del arte en esta área tan dinámica. Mientras tanto, un número creciente de bancos de pruebas ha impulsado la evolución de los modelos de lenguaje grandes de propósito general. Por lo tanto, este año MARS2 se centra en escenarios del mundo real y especializados para ampliar las aplicaciones de razonamiento multimodal de los MLLMs. Nuestro equipo organizador lanzó dos conjuntos de datos personalizados, Lens y AdsQA, como conjuntos de prueba, que apoyan el razonamiento general en 12 escenarios cotidianos y el razonamiento específico de dominio en videos publicitarios, respectivamente. Evaluamos más de 40 modelos de referencia que incluyen tanto MLLMs generalistas como modelos específicos de tareas, y abrimos tres categorías de competencia: Anclaje Visual en Escenarios del Mundo Real (VG-RS), Respuesta a Preguntas Visuales con Conciencia Espacial (VQA-SA) y Razonamiento Visual en Videos Publicitarios Creativos (VR-Ads). Finalmente, 76 equipos de reconocidas instituciones académicas e industriales se han registrado y más de 40 envíos válidos (de más de 1200) han sido incluidos en nuestras listas de clasificación. Nuestros conjuntos de datos, códigos (más de 40 modelos de referencia y más de 15 métodos de participantes) y clasificaciones están disponibles públicamente en el sitio web del taller MARS2 y en nuestra página de organización en GitHub https://github.com/mars2workshop/, donde se proporcionarán continuamente nuestras actualizaciones y anuncios de próximos eventos.
English
This paper reviews the MARS2 2025 Challenge on Multimodal Reasoning. We aim
to bring together different approaches in multimodal machine learning and LLMs
via a large benchmark. We hope it better allows researchers to follow the
state-of-the-art in this very dynamic area. Meanwhile, a growing number of
testbeds have boosted the evolution of general-purpose large language models.
Thus, this year's MARS2 focuses on real-world and specialized scenarios to
broaden the multimodal reasoning applications of MLLMs. Our organizing team
released two tailored datasets Lens and AdsQA as test sets, which support
general reasoning in 12 daily scenarios and domain-specific reasoning in
advertisement videos, respectively. We evaluated 40+ baselines that include
both generalist MLLMs and task-specific models, and opened up three competition
tracks, i.e., Visual Grounding in Real-world Scenarios (VG-RS), Visual Question
Answering with Spatial Awareness (VQA-SA), and Visual Reasoning in Creative
Advertisement Videos (VR-Ads). Finally, 76 teams from the renowned academic and
industrial institutions have registered and 40+ valid submissions (out of
1200+) have been included in our ranking lists. Our datasets, code sets (40+
baselines and 15+ participants' methods), and rankings are publicly available
on the MARS2 workshop website and our GitHub organization page
https://github.com/mars2workshop/, where our updates and announcements of
upcoming events will be continuously provided.