引言：从“能看多模态”到“像人一样思考与感受”

过去两年，多模态大模型（MLLM）在「看得懂」与「说得出」层面取得了令人惊叹的进展，但仍被三大难题卡脖子：

1. 知识瓶颈——幻觉严重，缺乏可检索、可验证的外部知识；

2. 推理瓶颈——跨模态深度推理薄弱，复杂数理与空间问题频频翻车；

3. 情感瓶颈——只能打“开心/难过”标签，难以刻画人类细腻且共现的情绪光谱。

ICML 2025 的四篇 Oral 论文正是针对这三大瓶颈的系统性突破：

• SK-VQA 用 200 万合成知识对把「知识增强」做成可复用的数据飞轮；

• General-Level & General-Bench 首次给出通才模型的「五级驾照」与 32 万题统考；

• EMMA 把数理、化学、代码等硬核推理任务做成跨模态“试金石”；

• AffectGPT 提供首个面向 MLLM 的细粒度情感理解全栈方案（数据+模型+评测）。

它们共同勾勒了「多模态通用智能体」的下一站：既能检索知识，又能深度推理，还能理解情绪，向真正的 AGI 迈出关键一步。

巨灵觉醒：SK-VQA——为上下文增强型多模态大模型而生的大规模合成知识库

论文英文标题

SK-VQA: Synthetic Knowledge Generation at Scale for Training Context-Augmented Multimodal LLMs

论文链接

https://icml.cc/virtual/2025/poster/45942

论文中文摘要

SK-VQA 构建了目前最大（200 万+ QA 对）、最多域、最具上下文关联性的知识增强视觉问答数据集。通过 GPT-4 全自动合成，突破传统依赖 Wikipedia 的局限，支持任意来源图像与合成知识文档配对，显著扩展了领域与问题多样性。实验表明，该数据集既是挑战性基准，又能有效训练多模态大模型完成知识增强生成，显著提升跨域泛化与 RAG 场景表现。

文章推荐理由

SK-VQA 以「合成数据+知识增强」双轮驱动，解决了 KB-VQA 领域长期受限于规模、领域与质量的三重瓶颈。11 倍问题多样性、跨域图像来源与人工验证的高质量上下文，使其不仅成为新的 SOTA 基准，更直接赋能多模态 RAG 系统的训练与评测。研究者与工业界可一键下载即用，大幅降低构建知识增强型多模态应用的门槛。

通才之路：General-Level & General-Bench——多模态通才模型的五级量表与百万级评测

论文英文标题

On Path to Multimodal Generalist: General-Level and General-Bench

论文链接

https://icml.cc/virtual/2025/poster/45047

论文中文摘要

本文提出首个系统刻画多模态通才能力的五级分类框架 General-Level，以「协同泛化」为核心评价指标，并配套发布覆盖 700+ 任务、32.5 万实例的超大基准 General-Bench。通过对 100+ 领先 MLLM 的深度评测，揭示当前模型普遍缺乏跨任务/跨模态协同能力，连 GPT-4V 亦未达最高级，为迈向 AGI 指明关键差距。

文章推荐理由

当业界仍用“平均分高=更强”评估 MLLM 时，General-Level 以汽车自动驾驶等级为灵感，首次将「协同泛化」量化分级，并开源迄今最全面的多模态评测平台。无论你是模型开发者还是应用研究者，都能在此找到定位自身系统能力的“通才量尺”，并获得百万级实例的评测支持，为下一代多模态基础模型研发提供路标。

推理试金石：EMMA——检视多模态大模型真正推理能力的跨学科基准

论文英文标题

Can MLLMs Reason in Multimodality? EMMA: An Enhanced MultiModal ReAsoning Benchmark

论文链接

https://icml.cc/virtual/2025/poster/43702

论文中文摘要

EMMA 聚焦数学、物理、化学、编程四大领域，精心构建 2788 道必须同时动用视觉与语言深度推理的难题，其中 1796 道为全新手工设计。对 10 余个 SOTA MLLM 的评测显示：即使叠加 CoT 与测试时扩展，最佳模型仅达 48%，落后人类近 30%，暴露出现有模型在细粒度视觉推理与多步跨模态推理上的显著短板。

文章推荐理由

EMMA 以“无法仅凭文字或一次性看图即可回答”为硬门槛，剔除表面多模态实则语言可解的伪题目，用物理受力分析、化学键级计算、代码可视化等高阶任务直击 MLLM 推理软肋。它不仅提供精准失败诊断，还开源完整题库与评测脚本，是研究社区迈向“真正能推理的多模态智能体”的必备试金石。

情感大模型：AffectGPT——首个面向 MLLM 的细粒度情感理解数据-模型-评测体系

论文英文标题

AffectGPT: A New Dataset, Model, and Benchmark for Emotion Understanding with Multimodal Large Language Models

论文链接

https://icml.cc/virtual/2025/poster/43565

论文中文摘要

AffectGPT 通过「模型主导+人工辅助」的众包策略，构建迄今最大规模的描述性情感数据集 MER-Caption（115K 样本、2K+ 细粒度情感类别），并提出带预融合模块的新模型 AffectGPT，显著提升多模态情感特征整合能力。配套的 MER-UniBench 支持传统 MER 任务与 MLLM 自由文本生成风格，实验显示 AffectGPT 在各任务均领先现有 MLLM 9% 以上。数据与代码已开源。

文章推荐理由

当情感识别从“七大类打标签”走向“自然语言描述复杂情绪”，AffectGPT 提供了首个端到端解决方案：大规模高质量描述数据、专为情感融合设计的模型、兼顾分类与生成的统一评测。无论是心理计算、人机交互还是内容安全审核，研究者都可直接复用其数据、模型与评测脚本，加速多模态情感智能的落地。

总结：从“多模态”到“通用智能体”的三级跳

四篇论文共同描绘了「多模态通用智能体」的完整拼图：知识可检索、推理可验证、情感可共情。