硅基生命的视觉局限：顶级大模型在视觉推理上能否超越6岁儿童？
核心发现
一项由UniPat AI、xbench、阿里巴巴、月之暗面（Moonshot AI）和StepZen等多家领先机构联合发布的新研究显示，当前顶级大模型在基础视觉推理任务上的表现，甚至难以达到6岁儿童的水平。
关键数据对比：
- 在该研究使用的视觉推理“闭卷考试”BabyVision基准测试中，即便是该领域领先的Gemini 3 Pro Preview模型，其能力也仅略高于3岁儿童。
- 在面对6岁儿童的认知水平时，大模型仍存在20%的能力差距。
问题根源：“语言陷阱”
研究指出，核心问题在于大模型本质上是“语言动物”。它们在处理视觉信息时，倾向于先将图像“翻译”成文本描述，再进行逻辑推理。这种“迂回策略”在处理宏观概念时有效，但在处理无法用语言精确捕捉的视觉特征时（如微小的曲线偏差、复杂的几何交叉或细微的空间遮挡关系），信息在“翻译”过程中大量丢失。
大模型视觉推理的四大缺陷
研究团队通过BabyVision基准，将大模型的视觉缺陷归纳为四个维度：
- 缺失非语言的精细细节：大模型难以区分像素级的几何差异，在拼图匹配等任务中，常因无法“想象”形状的旋转和对齐而选错答案。
- 流形一致性丢失：在长距离连接或轨迹跟踪任务中，大模型像在迷宫中迷路的孩子，遇到路径交叉时容易“跑偏”，丢失原有的感知线索。
- 缺乏空间想象力：文本描述无法准确还原三维空间，导致大模型在推断积木的侧视图或被遮挡的体积时，频繁出现层数误数或投影错误。
- 视觉模式归纳能力弱：它们倾向于僵化地“统计属性”，而非理解变化模式，难以从少量视觉示例中抽象出深层的因果逻辑。
对具身智能的影响与进化路径
这一结论给当前火热的“具身智能”领域带来了压力。如果一个AI连6岁儿童周围的物理环境都无法准确识别，我们又如何期待它在真实的物理世界中安全地辅助人类？
为突破此瓶颈，研究者提出了两条进化路径：
- 引入强化学习（RLVR）：利用显式的中间推理步骤，来缓解感知的不确定性。
- 拥抱原生多模态推理：让模型在像素空间内学习直接的“视觉计算”（如Sora 2所示），而非依赖语言作为中介。
启示
这项AI发展史上的“进化回测”研究提醒我们，通往通用人工智能（AGI）的道路，或许不在于更难的数学题，而在于6岁孩子能轻松掌握的拼图游戏之中。
发布日期：2026年1月23日
研究参与机构：UniPat AI, xbench, 阿里巴巴, 月之暗面 (Moonshot AI), StepZen
测试基准：BabyVision
