能识别显微图、读懂谱图，再据此判断实验结论，和背出科学知识不是一回事。阿里通义、浙江大学、清华大学与中国科学院大学等团队推出SEE，收集1116道以真实实验图像为核心的问题，覆盖19个多模态大模型。标准评测中，模型准确率分布在15.9%到48.7%，最强者也未过半。
题目来自实验，不是百科问答
SEE覆盖化学、生物学和材料科学，并细分为17个子领域。题目证据包括反应路线、显微图、光谱、凝胶图、材料表征和多面板实验结果。很多问题要求模型先定位图中变量，再比较对照组，最后结合实验条件得出结论；只记住一个术语或公式无法完成。
数据集包含1049道公开题和67道保留题。来源指向同行评议文献与实验实践，团队按学科组织问题并检查答案。这样的设置刻意提高视觉证据的重要性：如果遮掉图片，题干往往不足以唯一确定答案。
基准把多模态理解放在真实科学证据中，而不是给普通问答附一张装饰图片。
19个模型，最高只有48.7%
团队评测19个多模态模型，整体准确率从15.9%到48.7%。GPT-5.6-Sol Max取得48.7%，Gemini 3.1为45.2%，其他通用和专用模型也未能稳定跨过半数。通用模型平均表现高于部分科学专用模型，说明领域名称相符不等于能处理复杂实验图。
错误并非都来自知识空白。有的模型看错图例颜色，有的把不同面板的条件混在一起，还有的识别出局部趋势，却在最终因果判断时选择相反答案。多图组合尤其容易暴露信息整合问题：每张图单独描述得像样，合起来却无法形成一致推理链。
同一道题常同时要求图像定位、数值比较、领域知识和实验逻辑。
联网和代码工具能帮忙，也会添乱
SEE还测试带网页检索、代码执行等工具的智能体。公开子集上的最佳工具配置达到52.1%，说明检索背景资料或计算数值确实能补足部分能力。但工具并没有让问题迎刃而解：智能体可能发起错误查询、选择无关网页，或在已有足够证据时继续搜索，最后被外部信息带偏。
工具链的失败可以分成动作选择、信息融合和停止判断。科学问题不是搜到一句相似文字就结束，外部知识必须与题目里的实验条件对齐。若图中处理组、时间点或测量指标不同，再权威的资料也不能代替当前证据。
保留的67道题承担了额外的防泄漏作用：模型开发者可以在公开集上分析错误，但最终结果仍要面对未公开样本。对于来源于论文的科学题，这一点尤其关键，因为模型可能在预训练或检索中见过相似材料。SEE并不能彻底排除记忆影响，却通过视觉依赖设计和保留集，让单纯复述原文更难伪装成实验推理。
标准模型最高分仍低于50%，工具增强虽有改善，但没有消除多模态实验推理缺口。
下一步扩展开放式科学评测
SEE比传统视觉问答更接近科研人员阅读实验结果的过程，可用于区分“会说科学语言”和“会使用科学证据”。对模型开发者而言，分领域和分图像类型结果也能指出具体薄弱项，例如谱图读取、多面板对齐或对照实验推理。
下一步可以在1116道选择题之外加入开放式答案、证据区域标注和专家评分，要求模型指出使用了哪块实验图、如何排除其他结论。这样既能区分真正的证据链与碰巧选对，也能把错误定位到视觉读取、领域知识或实验逻辑。
SEE当前不直接测量提出假设、操作仪器和复现实验。后续若接入代码、文献检索与实验规划工具，可以进一步评估模型能否围绕同一证据完成计算、提出补充实验并说明不确定性。化学、生物和材料三个领域也为扩展更多学科提供了统一题目格式。
