最强大模型的视觉能力不如 6 岁小孩
最新视觉推理基准测试BabyVision显示，顶尖多模态大模型Gemini3ProPreview综合得分仅相当于3岁儿童，与6岁儿童差距约20%。模型依赖“图像转语言”架构，在细粒度辨别、空间感知等任务上存在系统性短板。研究指出，未来方向应从语言驱动转向视觉原生推理，生成过程本身可能是更本质的推理表达。
先看几组有意思的数据。多家研究机构联合发布的 BabyVision 视觉推理基准测试，给当前最顶尖的多模态大模型来了次“儿童智力测验”。结果相当扎心：哪怕表现最好的 Gemini 3 Pro Preview，综合得分也仅仅勉强超过3岁小孩的水平，跟6岁儿童比还有大约20%的差距，更别提成年人了——人类乘人的准确率高达94.1%，这个差距可不是一星半点。
这项研究由 UniPat AI、xbench、阿里巴巴、月之暗面、阶跃星辰等团队联合推进。具体来看，Gemini 3 Pro Preview 以49.7%的得分领跑闭源模型；紧随其后的是 GPT‑5.2（34.4%）和豆包 Seed‑1.8（30.2%）。其他模型就逊色不少了：Qwen3‑VL‑Plus 只有19.2%，Grok‑4 是16.2%，Claude 4.5 Opus 更是低至14.2%。开源阵营里，Qwen3VL‑235B‑Thinking 以22.2%暂居第一，但依然没法和主流闭源模型正面硬刚。
问题出在哪儿？研究指出，现在大多数多模态模型的推理方式，本质上是“先把图像翻译成语言，再靠语言模型做逻辑推算”。这种架构在面对细粒度几何判断、空间方位关系、路径连续性追踪这类高度依赖非语言感知能力的任务时，先天就吃亏。结果就是，在「找不同」「连线匹配」「空间构型想象」「视觉规律归纳」这些典型题目上，模型频频翻车。
BabyVision 基准把视觉推理能力拆成四个维度：细粒度辨别、视觉追踪、空间感知和视觉模式识别。所有参评模型在这四个方向上无一例外都暴露出了系统性短板。比如，Gemini 3 Pro Preview 在拼图配对、轨迹连线、三维结构反推这类题上多次给出错误答案；Qwen3‑VL‑Plus 也没能通过视觉规律归纳的考验。
研究团队进一步提炼出模型在视觉推理上面临的四类根本性挑战：
- 非言语性的微细节信息难以保真，导致模型没法识别图像间的细微差异；
- 流形一致性缺失，在复杂动态路径中很难维持稳定的追踪；
- 空间想象能力薄弱，无法从二维输入可靠地构建出一致的三维心理表征；
- 视觉模式抽象与归纳能力不足，难以从有限的样本里提炼出可泛化的结构规则。
那么，怎么突破这种“语言中心化”的视觉推理瓶颈？研究给出了两条技术路径：一是基于可验证奖励信号的强化学习（RLVR），二是基于生成模型的原生视觉推理。实验数据挺说明问题：Qwen3‑VL‑8B‑Thinking 经过 RLVR 微调后，整体准确率提升了大约4.8个百分点；在 BabyVision‑Gen 生成式推理子集测试中，NanoBanana‑Pro 以18.3%的准确率领先于 GPT‑Image‑1.5 和 Qwen‑Image‑Edit。
研究判断，未来多模态智能的发展重心，正在从“语言驱动型理解”转向“视觉原生型推理”。像 Bagel 这样的统一架构，以及具备显式物理建模能力的新一代生成模型（比如 Sora 2、Veo 3），已经在实践中展现出在视觉空间里执行显式推理的潜力——包括绘制中间演化步骤、标注关键语义区域、生成符合物理约束的运动轨迹等。研究团队强调：生成过程本身，或许就是更高阶、更本质的推理表达形式。
论文全文：https://www.php.cn/link/498bf3790c922596b795a8dfa3255b56
Photoshop 2026 是 Adobe 推出的专业图像处理与视觉设计软件，支持 Windows、macOS 和 iPad 等平台，广泛应用于摄影修图、电商设计、平面海报、数字绘画及视觉合成等创作场景。
Blender 是一款免费开源、跨平台的专业 3D 创作软件，集建模、动画、渲染、视频编辑与视觉合成等功能于一体，广泛应用于影视动画、游戏设计和建筑可视化等领域。软件支持 Cycles 物理渲染器与 Eevee 实时渲染引擎，并提供多边形建模、骨骼绑定、物理模拟等专业工具。Blender 兼容 Windows、macOS 和 Linux 系统，安装包轻巧、运行流畅，依托活跃的全球开发者社区持续更新，是从初学者到专业创作者都值得选择的正版 3D 创作工具。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。
Mountain Duck 是一款能将多个网盘挂载到本地的工具，像本地磁盘一样使用网盘。清理链路的完整性会更好一些，做应用卸载、残留处理和空间整理时，通常能少走很多手动排查步骤。
Photoshop 2026 是 Adobe 推出的专业图像处理与视觉设计软件，支持 Windows、macOS 和 iPad 等平台，广泛应用于摄影修图、电商设计、平面海报、数字绘画及视觉合成等创作场景。
Blender 是一款免费开源、跨平台的专业 3D 创作软件，集建模、动画、渲染、视频编辑与视觉合成等功能于一体，广泛应用于影视动画、游戏设计和建筑可视化等领域。软件支持 Cycles 物理渲染器与 Eevee 实时渲染引擎，并提供多边形建模、骨骼绑定、物理模拟等专业工具。Blender 兼容 Windows、macOS 和 Linux 系统，安装包轻巧、运行流畅，依托活跃的全球开发者社区持续更新，是从初学者到专业创作者都值得选择的正版 3D 创作工具。
极度公式是一款跨平台专业LaTeX公式识别编辑软件，支持OCR公式识别和多平台编辑。和使用说明，避免使用，享受完整功能与稳定支持。做扫描整理、文字提取和表格转换时，它能把识别后的处理步骤接得更顺，资料录入这类场景会省下不少时间。
一款文字处理软件，一种订阅式的跨平台办公软件，基于云平台提供多种服务，通过将 Excel 和 Outlook 等应用与 OneDrive 和 Microsoft Teams 等强大的云服务相结合，Office 365 可让任何人使用任何设备随时随地创建和共享内容。
Wise Folder Hider Pro 是一款专业级文件和文件夹隐藏加密软件，为私密数据添加多重保护。高频操作更强调就近处理，浏览、整理和跨目录移动文件时，来回切换和重复点击都会少很多。
CodeExpander 是一款快捷短语输入增强工具，通过键入缩写自动展开为自定义文段，提升工作效率。任务管理和过程控制会更完整，持续下载、批量同步或需要稳定传输流程的场景会更适合它。