Sci-MMR: Benchmarking Multi-Step Evidence-Grounded Scientific Reasoning in Multimodal Agents

Sci-MMR 用论证图把主张、引用、图像和支撑区域连起来，235 个跨四学科任务平均含九个图 panel。八个模型的答案准确率比完整证据恢复率高出 20 个百分点以上，失败中 57.2% 来自证据获取、31.8% 来自证据整合；给 gold evidence 最多只增 37 分，揭示答案分数掩盖了可追溯性短板。