Défi MARS2 2025 sur le raisonnement multimodal : jeux de données, méthodes, résultats, discussions et perspectives

MARS2 2025 Challenge on Multimodal Reasoning: Datasets, Methods, Results, Discussion, and Outlook

September 17, 2025

papers.authors: 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

papers.abstract

Cet article passe en revue le défi MARS2 2025 sur le raisonnement multimodal. Nous visons à rassembler différentes approches en apprentissage multimodal et en modèles de langage de grande taille (LLMs) à travers un vaste benchmark. Nous espérons qu'il permettra aux chercheurs de mieux suivre l'état de l'art dans ce domaine très dynamique. Parallèlement, un nombre croissant de bancs d'essai a stimulé l'évolution des modèles de langage généralistes de grande taille. Ainsi, cette année, MARS2 se concentre sur des scénarios réels et spécialisés pour élargir les applications du raisonnement multimodal des MLLMs. Notre équipe d'organisation a publié deux ensembles de données sur mesure, Lens et AdsQA, comme ensembles de test, qui soutiennent respectivement le raisonnement général dans 12 scénarios quotidiens et le raisonnement spécifique au domaine dans les vidéos publicitaires. Nous avons évalué plus de 40 modèles de référence, incluant à la fois des MLLMs généralistes et des modèles spécifiques à une tâche, et avons ouvert trois pistes de compétition, à savoir l'ancrage visuel dans des scénarios réels (VG-RS), la réponse à des questions visuelles avec conscience spatiale (VQA-SA), et le raisonnement visuel dans les vidéos publicitaires créatives (VR-Ads). Enfin, 76 équipes issues d'institutions académiques et industrielles renommées se sont inscrites et plus de 40 soumissions valides (sur plus de 1200) ont été incluses dans nos classements. Nos ensembles de données, ensembles de code (plus de 40 modèles de référence et plus de 15 méthodes de participants), et classements sont disponibles publiquement sur le site web de l'atelier MARS2 et sur notre page GitHub https://github.com/mars2workshop/, où nos mises à jour et annonces des événements à venir seront continuellement fournies.

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.