Agentic-MME 是首个针对多模态大模型（MLLM）智能体能力进行过程级验证的基准。与现有仅评判最终答案的 benchmark 不同，它设计了 2000+ 逐步检查点来审计模型的中间推理过程。
基准覆盖 6 个领域、3 个难度等级的 418 个真实世界任务，统一评估视觉工具调用（视觉扩展）和开放网络搜索（知识扩展）两大核心能力。评估框架还引入了 overthinking 指标来量化模型相对于人类轨迹的推理效率。
关键发现：最强模型 Gemini-3 Pro 整体准确率仅 56.3%，在最难的 Level-3 任务上骤降至 23.0%，而人类达到 93.8%。这说明当前 MLLM 在需要视觉感知、搜索协调和多步推理的真实场景中仍有巨大提升空间。