誰敢想？視覺推理這一塊，大模型現(xiàn)在還嫩得像個 3 歲小孩。

來自 UniPat AI、xbench、阿里、月之暗面、階躍星辰等多家研究機構(gòu)的最新研究顯示：

在 BabyVision 視覺推理 benchmark 上，當前表現(xiàn)最強的 Gemini 3 Pro Preview 也只是小勝三歲兒童，跟六歲兒童仍有 20% 的差距。

與成年人 94.1 的水平相比，更是天壤之別。

更關(guān)鍵的是，Gemini 3 Pro Preview 已經(jīng)是當前一眾模型中的“天花板”。

其他前沿模型，包括 GPT-5.2、Claude 4.5 Opus、Grok-4 等，整體表現(xiàn)甚至不如三歲小孩。

這一扎心結(jié)論，無疑又給當前基于 VLA（M）的具身智能潑了盆冷水。

畢竟，一個視覺能力尚未達到三歲兒童水平的 AI，很難被指望在真實物理世界中穩(wěn)定、安全地協(xié)助人類。

也正是在這個意義上，BabyVision 還給出了另一種視角：

要真正推進多模態(tài)智能，未來的模型必須從底層重建視覺能力，而不是繼續(xù)依賴將視覺問題翻譯成語言來“繞行”。

視覺推理的語言化瓶頸

在完整的評估中，研究對比了開源和閉源模型的表現(xiàn)：

在閉源模型中： Gemini 3-Pro-Preview 以 49.7% 的得分領(lǐng)跑，隨后是 GPT-5.2 (34.4%) 和豆包-Seed-1.8 (30.2%)。

其余模型表現(xiàn)則不盡人意：Qwen3-VL-Plus 19.2%，Grok-4 16.2%，Claude-4.5-Opus 14.2%。

在開源模型中，表現(xiàn)最好的是 Qwen3VL-235B-Thinking，總分達到 22.2%。

其中，Qwen3VL 的 Thinking 版本優(yōu)于 Instruct 版本，這表明顯示顯式推理能減輕視覺不確定性。

此外，即使是最大的開源模型，仍無法與頂尖閉源系統(tǒng)匹敵。

那么，問題來了。

為什么在 HLE、IMO 等高難度任務(wù)中展現(xiàn)出博士級“智商”、甚至能解數(shù)學難題的大模型，卻會在一些看似簡單的“找不同”任務(wù)中頻頻翻車？

先說結(jié)論：當前的多模態(tài)大模型，通常是在推理前，先將視覺輸入轉(zhuǎn)化為語言表征來處理。

這種做法充分利用了大型語言模型強大的推理能力，但也引入了一個根本性的限制：

凡是無法被語言準確表達的視覺信息，都會在這一過程中被丟失。

例如，圖像中“一輛紅色的汽車”可以被輕松轉(zhuǎn)寫為文字；但更細粒度的幾何信息，如邊界的精確曲率、交叉點的具體位置、相對空間關(guān)系的微小變化，卻很難被語言忠實描述。

而正是這些“不可描述”的視覺特征，構(gòu)成了 BABYVISION 任務(wù)的核心難點，也因此成為當前頂尖多模態(tài)模型普遍折戟的地方。

具體來說，BabyVision 將視覺推理拆解為 4 個核心能力維度：

• 細粒度辨別（Fine-grained Discrimination）：檢測細微的視覺差異

• 視覺追蹤（Visual Tracking）：追蹤路徑、線條和運動軌跡

• 空間感知（Spatial Perception）：理解三維結(jié)構(gòu)與空間關(guān)系

• 視覺模式識別（Visual Pattern Recognition）：識別視覺中的邏輯與幾何規(guī)律

基于上述能力維度，研究總結(jié)出當前 MLLM 面臨的四個經(jīng)典視覺核心挑戰(zhàn)，具體如下：

非言語性精細細節(jié)的缺失

首先是非言語性精細細節(jié)的缺失，這些精細細節(jié)往往難以被語言精準地描述。

比如在面對一個小的偏移、特定的邊界曲線，或者僅僅是一個像素的差異時，多模態(tài)大模型（MLLMs）往往會把這些截然不同的選項當作差不多的來處理。

以表現(xiàn)最好的 Gemini 3 Pro Preview 為例，在下面的找拼圖任務(wù)中，它就錯誤地選擇了 D 選項。

在 Gemini 的推理過程中，它首先將形狀轉(zhuǎn)化為文字描述，再簡化為粗略特征（如數(shù)量、拓撲結(jié)構(gòu)），然后在語言空間中對比候選選項。

相比之下，人類直接通過形狀匹配瞬間完成任務(wù)。人類的大腦會對每個候選選項進行平移和旋轉(zhuǎn)，檢查邊界是否對齊，整個過程無需借道文字，直接由幾何驅(qū)動。

所以，這里的關(guān)鍵不在于邏輯的難度，而在于高保真感知的缺失。

流形一致性（Manifold Identity）的丟失

此外，研究還發(fā)現(xiàn)，多模態(tài)大模型難以在長距離空間中，可靠地維持感知的一致性。

比如，在下面的連線任務(wù)中，Gemini 3 Pro Preview 再度失敗，錯誤地將塑料瓶連在了綠色垃圾桶中，以及將蘋果核連在了藍色垃圾桶中，

研究發(fā)現(xiàn)，Gemini 在解題時，通常會把一條連續(xù)的曲線拆解成一連串簡單指令，比如向左、向右、向上、向下。

但問題在于，一旦出現(xiàn)交叉點，這種拆解方式就會讓路徑變得模糊，很容易走岔。

由于模型并沒有在腦子里“真正記住”那條曲線的樣子，它在經(jīng)過交叉點后就可能無意中換到另一條線上。

這種錯誤對人類來說幾乎一眼就能看出來，但當信息被壓縮成文字后，反而很難察覺。

相比之下，人類一般會直接盯住一條線，一路跟到終點。而這種能力在人類幼兒時期就已經(jīng)很自然地具備了。

空間想象力

研究發(fā)現(xiàn)的第三個普遍挑戰(zhàn)是“空間想象力”，也就是從二維圖像中構(gòu)建穩(wěn)定的三維內(nèi)部表征，并在保持結(jié)構(gòu)不變的前提下，對其進行心理變換 ——

比如切換視角、投影輪廓，或推斷被遮擋的體積。

舉例來說：給你一個視圖，讓你想象如果從側(cè)面看，它應(yīng)該是什么樣子。

在這一任務(wù)中，Gemini 3 Pro Preview 仍然選擇了錯誤的 C 選項。

在 Gemini 的推理過程中，模型會先將視覺場景轉(zhuǎn)化為語言摘要，用文字描述物體，再基于這些文字去“猜測”二維特征。

但問題也正出在這里 —— 文字敘述并不能忠實地表示空間狀態(tài)。

一旦精確的圖像被壓縮成模糊的文本摘要，模型就很容易犯下可預(yù)期的錯誤：漏掉被遮擋的積木、數(shù)錯層數(shù)，或使用了錯誤的三維投影關(guān)系。

相比之下，人類可以直接在腦海中從指定方向“轉(zhuǎn)動”物體并進行對比，整個過程幾乎不需要語言的參與。

視覺模式歸納

第四個挑戰(zhàn)是視覺模式歸納：也就是從少量視覺示例中，總結(jié)出通用的變化規(guī)則，并把它應(yīng)用到新的輸入上。

在下面這個找規(guī)律的問題中，QWEN3-VL-PLUS 選擇了錯誤的 B 選項。

模型在這類任務(wù)中常見的做法，并不是理解“發(fā)生了什么變化”，而是去數(shù)屬性。

比如，顏色有多少、形狀有幾個、元素是否相似。它會描述源圖像、描述目標圖像，然后試圖在文本層面把兩者“對上”。

相較之下，人類在處理這類問題時，通常會直接對比前后的視覺示例，在腦中形成一個簡單的“因果圖”：

哪個形狀包含哪個形狀？誰是框架，誰是內(nèi)容？這些角色在從輸入到輸出的過程中是如何被重新分配的？

正是這種對視覺關(guān)系進行抽象推理的能力 —— 而非簡單的識別 —— 構(gòu)成了當前模型架構(gòu)仍難以跨越的一道門檻。

基于 RLVR 與生成式建模的視覺推理

那么，既然基于文本的視覺推理（如 VLM）存在天然局限，那么有沒有辦法對這一點加以改善？

對此，研究給出了兩個方向：基于可驗證獎勵的強化學習（Reinforcement Learning with Verifiable Rewards ，RLVR) 以及基于生成模型的視覺推理。

首先來看 RLVR。

具體而言，研究以 Qwen3-VL-8B-Thinking 作為基座模型，并在其上進行 RLVR 微調(diào)。

實驗表明，在完成 RLVR 微調(diào)后，模型整體準確率提升了約 4.8 個百分點。從任務(wù)子類分布來看，大多數(shù)類別均出現(xiàn)不同程度的提升。

這和在 Qwen 推理模型中得到的洞見一致：一旦提取出視覺信號，顯式的中間推理可以部分抵消視覺上的不確定性。

接下來是生成模型方法。

既然以語言承載視覺推理存在天然的“信息失真”，模型能否效仿人類，通過“視覺重構(gòu)”——

即在像素空間內(nèi)直接演算（如繪制連線或補全圖案）來完成推理。

基于這一認識，研究推出了 BabyVision-Gen，評估了 3 種前沿視覺生成模型：NanoBanana-Pro、GPT-Image-1.5 和 Qwen-Image-Edit 在其之上的表現(xiàn)。

（注：BabyVision-Gen 從全量基準中篩選出 280 道適合生成式交互的題目，要求模型直接輸出圖像或視頻流來表達解題過程）

實驗結(jié)果顯示：NanoBanana-Pro 表現(xiàn)最優(yōu)，準確率達 18.3%；而 GPT-Image-1.5 與 Qwen-Image-Edit 分別為 9.8% 和 4.8%。

雖然成功率仍然不高，但研究認為，NanoBanana-Pro 與 Sora-2 等模型展現(xiàn)出了顯式視覺思維，能夠沿邏輯路徑生成物理軌跡。

此外，在相似的字母中找不同的任務(wù)里，基于生成式的方法也表現(xiàn)出了一定的視覺思維能力。

這里的失誤也表明：單純的生成能力并不等同于嚴密的推理，生成過程還必須由穩(wěn)健的視覺語義理解（Visual Understanding）進行引導(dǎo)。

由此，研究繞過“語言瓶頸”的統(tǒng)一架構(gòu)，揭示了一個關(guān)鍵的研究趨勢：將生成模型轉(zhuǎn)化為原生多模態(tài)推理器。

相比于傳統(tǒng)的 MLLM 強行將視覺信號壓縮成文本，像 Bagel 這樣的統(tǒng)一架構(gòu)，能夠在推理過程中保留高保真的視覺表征。

這種架構(gòu)允許模型在視覺空間內(nèi)進行“顯式思考”—— 通過勾勒中間步驟、突出關(guān)鍵區(qū)域或?qū)崟r繪制軌跡來解析問題。

同時，像 Sora 2 和 Veo 3 等模型在建模物理動力學與空間關(guān)系的能力上，進一步支持了“生成本身即是推理的一種高級形式”這一觀點。

參考鏈接

• [1]https://unipat.ai/blog/BabyVision

• [2]https://arxiv.org/abs/2601.06521v1

本文來自微信公眾號：量子位（ID：QbitAI），作者：henry，原標題《最強大模型的視覺能力不如 6 歲小孩》

廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。