多模态推理

多模态推理指模型同时处理文本、图像、音频等多种模态信息，并在此基础上进行逻辑推理的能力。

多模态推理的单次请求GPU计算量和显存占用远高于纯文本对话。

下一阶段的评测焦点不会停留在单一学科基准上，更长程的任务规划、多模态环境下的推理以及模型自我验证能力可能成为新的焦点。