MMMU(Massive Multi-discipline Multimodal Understanding and Reasoning)は、画像とテキストを併せて扱うマルチモーダルモデルの専門知識と推論能力を評価するベンチマークである。2023年にオハイオ州立大学やウォータールー大学など複数の大学の研究者が公開した。大学の試験や教科書から集めた約1万1,500問で構成され、芸術・デザイン、ビジネス、科学、保健・医学、人文・社会科学、技術・工学の6分野30科目を扱う。問題には図表、地図、化学構造式、楽譜など多様な種類の画像が含まれる。
2024年に公開されたMMMU-Proは、MMMUをさらに難しくした版である。画像を見ずにテキストだけで解ける問題を除外し、選択肢を最大10個に増やしたうえで、質問と選択肢をすべて画像の中に埋め込み、モデルが画面を読んで解かなければならないvision設定を追加した。MMMU-Pro Visionはこのvision専用設定を指す。MMMUは、GPT、Gemini、Claudeなど主要なマルチモーダルモデルの性能を比較する代表的なベンチマークの一つとして使われている。