本文通过SO-Bench基准测试评估多模态大语言模型（MLLMs）在视觉结构输出能力上的表现，涵盖UI界面、自然图像、文档和图表等领域。研究发现，现有模型在准确预测符合预定义数据模式的输出方面存在不足，强调了改进多模态结构推理的必要性。