数据源与状态仍在导航菜单中
arxiv.org·2026/10/21
针对视觉语言模型(VLM)在子任务层面是否随规模扩大反而性能下降的问题,作者对Qwen3-VL、InternVL3.5、Gemma 3、Molmo 2 4个开源家族的19个模型,在8个多模态基准上做逐题成对翻转分析,以净翻转优势为判据识别“较小模型答对而较大模型答错”的逆缩放。共发现375个子任务-模型对存在逆缩放,且有13个子任务-数据集对在多个家族中复现;排除MoE后仍大量存在,说明并非专家路由假象。最严重的领域包括BLINK多图像空间推理、MME视觉感知与MMMU大学STEM,图表理解相对稳健。链式思考重评估仅部分减轻该现象,且部分净优势下降来自小模型自身掉点而非大模型提升。因此,模型规模并不在所有子任务上带来单调提升,务实的模型选择应基于具体任务而非仅看综合分数;局限是只评估开源权重、家族内变量混杂,无法把回归归因于参数数量本身。
为什么重要 说明聚合榜单会掩盖局部能力回退,选 VLM 需按具体子任务验证,尤其多图空间推理与 STEM 场景。适合 VLM 选型、多模态评测、模型发布与基础设施工程师
缩放定律(Scaling laws)表明,增大模型规模、训练数据和计算量通常会带来单调的性能提升。虽然这在总体层面上往往成立,但我们提出了系统性证据,表明视觉语言模型(VLM)在子任务层面表现出逆缩放(inverse scaling)现象:即某些具体的问题类别,在同一模型家族内部,较大的模型在这些类别上的表现不如较小的模型。
我们评估了来自四个不同模型家族的 19 个模型,覆盖八个多模态基准测试(九个评估切分),每个模型回答 29,386 个问题,总计 558,334 次模型-问题评估。
通过对每个家族中的所有模型对进行逐题成对分析,我们识别出 375 个表现出逆缩放的子任务-模型对组合,涉及 4,342 个独特查询,其中较小的模型回答正确而较大的模型失败;我们还发现这些模式在独立开发的架构之间同样复现。我们识别出 13 个在多个家族中均表现出逆缩放的子任务-数据集组合,这与该现象由任务驱动而非模型特定的观点相一致。
在我们的研究中,受影响最大的领域包括多图像空间推理、视觉感知和大学水平的 STEM 知识,若干情况下的准确率差距超过 20 个百分点,而图表理解则显得相对不受影响。这些发现挑战了增大模型规模就能统一提升多模态能力的假设,并表明模型选择应当具备任务感知能力。
Scaling laws suggest that increasing model size, training data, and compute generally yields monotonic performance improvements.
While this often holds at the aggregate level, we present systematic evidence that vision-language models (VLMs) exhibit inverse scaling at the subtask level: specific question categories on which larger models perform worse than smaller counterparts within the same model family.
We evaluate 19 models from four distinct model families across eight multimodal benchmarks (nine evaluation splits), answering 29,386 questions per model, 558,334 model-question evaluations in total.
Using per-question pairwise analysis across all model pairs in each family, we identify 375 subtask-model-pair combinations exhibiting inverse scaling, spanning 4,342 unique queries where a smaller model answers correctly but a larger model fails, and we find that these patterns replicate across independently developed architectures.
We identify 13 subtask-dataset pairs that show inverse scaling across multiple families, consistent with the phenomenon being task-driven rather than model-specific.
The most affected domains in our study include multi-image spatial reasoning, visual perception, and university-level STEM knowledge, with accuracy gaps exceeding 20 percentage points in several cases, while diagram understanding appears comparatively resistant.
These findings challenge the assumption that increasing model size uniformly improves multimodal capabilities and suggest that model selection should be task-aware.
逆缩案例
跨族子任务
总评测
真实错误下限
注释 · 真实错误下限来自人工多数投票,不含格式错误出自 §5 §5.6
注释 · 原始计数,未按合格比较数归一出自 表2

EVIDENCE / METHODS
判断
最大模型 并非每个子任务最优
官方观察到多个子任务出现大模型更差,且部分跨家族复现。对多图空间推理、视觉感知与大学 STEM 题型,应优先做任务级评测,而不是只看总分。
注释 · 聚合分数会掩盖局部回退出自 §6
原版排版与图表 · 手机无法内嵌时可在浏览器打开。PDF 插件内选文不能传给网页助手。