谁敢想？视觉推理这一块，大模型现在还嫩得像个 3 岁小孩。
来自 UniPat AI、xbench、阿里、月之暗面、阶跃星辰等多家研究机构的最新研究显示：
在 BabyVision 视觉推理 benchmark 上，当前表现最强的 Gemini 3 Pro Preview 也只是小胜三岁儿童，跟六岁儿童仍有 20% 的差距。
与成年人 94.1 的水平相比，更是天壤之别。
更关键的是，Gemini 3 Pro Preview 已经是当前一众模型中的“天花板”。
其他前沿模型，包括 GPT-5.2、Claude 4.5 Opus、Grok-4 等，整体表现甚至不如三岁小孩。
这一扎心结论，无疑又给当前基于 VLA（M）的具身智能泼了盆冷水。
毕竟，一个视觉能力尚未达到三岁儿童水平的 AI，很难被指望在真实物理世界中稳定、安全地协助人类。
也正是在这个意义上，BabyVision 还给出了另一种视角：
要真正推进多模态智能，未来的模型必须从底层重建视觉能力，而不是继续依赖将视觉问题翻译成语言来“绕行”。
在完整的评估中，研究对比了开源和闭源模型的表现：
在闭源模型中： Gemini 3-Pro-Preview 以 49.7% 的得分领跑，随后是 GPT-5.2 (34.4%) 和豆包-Seed-1.8 (30.2%)。
其余模型表现则不尽人意：Qwen3-VL-Plus 19.2%，Grok-4 16.2%，Claude-4.5-Opus 14.2%。
在开源模型中，表现最好的是 Qwen3VL-235B-Thinking，总分达到 22.2%。
其中，Qwen3VL 的 Thinking 版本优于 Instruct 版本，这表明显示显式推理能减轻视觉不确定性。
此外，即使是最大的开源模型，仍无法与顶尖闭源系统匹敌。
那么，问题来了。
为什么在 HLE、IMO 等高难度任务中展现出博士级“智商”、甚至能解数学难题的大模型，却会在一些看似简单的“找不同”任务中频频翻车？
先说结论：当前的多模态大模型，通常是在推理前，先将视觉输入转化为语言表征来处理。
这种做法充分利用了大型语言模型强大的推理能力，但也引入了一个根本性的限制：
凡是无法被语言准确表达的视觉信息，都会在这一过程中被丢失。
例如，图像中“一辆红色的汽车”可以被轻松转写为文字；但更细粒度的几何信息，如边界的精确曲率、交叉点的具体位置、相对空间关系的微小变化，却很难被语言忠实描述。
而正是这些“不可描述”的视觉特征，构成了 BABYVISION 任务的核心难点，也因此成为当前顶尖多模态模型普遍折戟的地方。
具体来说，BabyVision 将视觉推理拆解为 4 个核心能力维度：
细粒度辨别（Fine-grained Discrimination）：检测细微的视觉差异
视觉追踪（Visual Tracking）：追踪路径、线条和运动轨迹
空间感知（Spatial Perception）：理解三维结构与空间关系
视觉模式识别（Visual Pattern Recognition）：识别视觉中的逻辑与几何规律
基于上述能力维度，研究总结出当前 MLLM 面临的四个经典视觉核心挑战，具体如下：
首先是非言语性精细细节的缺失，这些精细细节往往难以被语言精准地描述。
比如在面对一个小的偏移、特定的边界曲线，或者仅仅是一个像素的差异时，多模态大模型（MLLMs）往往会把这些截然不同的选项当作差不多的来处理。
以表现最好的 Gemini 3 Pro Preview 为例，在下面的找拼图任务中，它就错误地选择了 D 选项。
在 Gemini 的推理过程中，它首先将形状转化为文字描述，再简化为粗略特征（如数量、拓扑结构），然后在语言空间中对比候选选项。
相比之下，人类直接通过形状匹配瞬间完成任务。人类的大脑会对每个候选选项进行平移和旋转，检查边界是否对齐，整个过程无需借道文字，直接由几何驱动。
所以，这里的关键不在于逻辑的难度，而在于高保真感知的缺失。
此外，研究还发现，多模态大模型难以在长距离空间中，可靠地维持感知的一致性。
比如，在下面的连线任务中，Gemini 3 Pro Preview 再度失败，错误地将塑料瓶连在了绿色垃圾桶中，以及将苹果核连在了蓝色垃圾桶中，
研究发现，Gemini 在解题时，通常会把一条连续的曲线拆解成一连串简单指令，比如向左、向右、向上、向下。
但问题在于，一旦出现交叉点，这种拆解方式就会让路径变得模糊，很容易走岔。
由于模型并没有在脑子里“真正记住”那条曲线的样子，它在经过交叉点后就可能无意中换到另一条线上。
这种错误对人类来说几乎一眼就能看出来，但当信息被压缩成文字后，反而很难察觉。
相比之下，人类一般会直接盯住一条线，一路跟到终点。而这种能力在人类幼儿时期就已经很自然地具备了。
研究发现的第三个普遍挑战是“空间想象力”，也就是从二维图像中构建稳定的三维内部表征，并在保持结构不变的前提下，对其进行心理变换 ——
比如切换视角、投影轮廓，或推断被遮挡的体积。
举例来说：给你一个视图，让你想象如果从侧面看，它应该是什么样子。
在这一任务中，Gemini 3 Pro Preview 仍然选择了错误的 C 选项。
在 Gemini 的推理过程中，模型会先将视觉场景转化为语言摘要，用文字描述物体，再基于这些文字去“猜测”二维特征。
但问题也正出在这里 —— 文字叙述并不能忠实地表示空间状态。
一旦精确的图像被压缩成模糊的文本摘要，模型就很容易犯下可预期的错误：漏掉被遮挡的积木、数错层数，或使用了错误的三维投影关系。
相比之下，人类可以直接在脑海中从指定方向“转动”物体并进行对比，整个过程几乎不需要语言的参与。
第四个挑战是视觉模式归纳：也就是从少量视觉示例中，总结出通用的变化规则，并把它应用到新的输入上。
在下面这个找规律的问题中，QWEN3-VL-PLUS 选择了错误的 B 选项。
模型在这类任务中常见的做法，并不是理解“发生了什么变化”，而是去数属性。
比如，颜色有多少、形状有几个、元素是否相似。它会描述源图像、描述目标图像，然后试图在文本层面把两者“对上”。
相较之下，人类在处理这类问题时，通常会直接对比前后的视觉示例，在脑中形成一个简单的“因果图”：
哪个形状包含哪个形状？谁是框架，谁是内容？这些角色在从输入到输出的过程中是如何被重新分配的？
正是这种对视觉关系进行抽象推理的能力 —— 而非简单的识别 —— 构成了当前模型架构仍难以跨越的一道门槛。
那么，既然基于文本的视觉推理（如 VLM）存在天然局限，那么有没有办法对这一点加以改善？
对此，研究给出了两个方向：基于可验证奖励的强化学习（Reinforcement Learning with Verifiable Rewards ，RLVR) 以及基于生成模型的视觉推理。
首先来看 RLVR。
具体而言，研究以 Qwen3-VL-8B-Thinking 作为基座模型，并在其上进行 RLVR 微调。
实验表明，在完成 RLVR 微调后，模型整体准确率提升了约 4.8 个百分点。从任务子类分布来看，大多数类别均出现不同程度的提升。
这和在 Qwen 推理模型中得到的洞见一致：一旦提取出视觉信号，显式的中间推理可以部分抵消视觉上的不确定性。
接下来是生成模型方法。
既然以语言承载视觉推理存在天然的“信息失真”，模型能否效仿人类，通过“视觉重构”——
即在像素空间内直接演算（如绘制连线或补全图案）来完成推理。
基于这一认识，研究推出了 BabyVision-Gen，评估了 3 种前沿视觉生成模型：NanoBanana-Pro、GPT-Image-1.5 和 Qwen-Image-Edit 在其之上的表现。
（注：BabyVision-Gen 从全量基准中筛选出 280 道适合生成式交互的题目，要求模型直接输出图像或视频流来表达解题过程）
实验结果显示：NanoBanana-Pro 表现最优，准确率达 18.3%；而 GPT-Image-1.5 与 Qwen-Image-Edit 分别为 9.8% 和 4.8%。
虽然成功率仍然不高，但研究认为，NanoBanana-Pro 与 Sora-2 等模型展现出了显式视觉思维，能够沿逻辑路径生成物理轨迹。
此外，在相似的字母中找不同的任务里，基于生成式的方法也表现出了一定的视觉思维能力。
这里的失误也表明：单纯的生成能力并不等同于严密的推理，生成过程还必须由稳健的视觉语义理解（Visual Understanding）进行引导。
由此，研究绕过“语言瓶颈”的统一架构，揭示了一个关键的研究趋势：将生成模型转化为原生多模态推理器。
相比于传统的 MLLM 强行将视觉信号压缩成文本，像 Bagel 这样的统一架构，能够在推理过程中保留高保真的视觉表征。
这种架构允许模型在视觉空间内进行“显式思考”—— 通过勾勒中间步骤、突出关键区域或实时绘制轨迹来解析问题。
同时，像 Sora 2 和 Veo 3 等模型在建模物理动力学与空间关系的能力上，进一步支持了“生成本身即是推理的一种高级形式”这一观点。
参考链接
[1]https://unipat.ai/blog/BabyVision
[2]https://arxiv.org/abs/2601.06521v1
本文来自微信公众号：量子位（ID：QbitAI），作者：henry，原标题《最强大模型的视觉能力不如 6 岁小孩》
