一分钟速览
- 一个新基准 ActiveVision（美国南加州大学团队，论文《An Exam for Active Observers》）专门测「主动视觉观察」——那种要一边看一边推理、反复把目光移来移去才能完成的视觉任务，比如数清一团乱线里有几个闭环、顺着箭头链走到终点、找出和模板一模一样的剪影。
- 结果前沿多模态大模型「全面崩溃」：目前最强的 GPT-5.5（最高推理档）只做对 **10.6%**（85 题里 9 题），17 个任务里有 **11 个直接 0 分**；连屠榜的 Claude Fable 5 也只有 3.5%。而三名人类平均 **96.1%**，每题大约 30 秒就搞定。
- 给 AI「开挂」也提升有限：让 Claude Code + Fable 5 当工具智能体、自己写代码调用视觉库来做，成绩升到 **50.6%**，但仍远低于人类，且每题要花 12–15 分钟。论文指出，模型自写的视觉代码在真实照片上并不可靠，而「发现代码出错」本身，恰恰又需要它缺的那种主动观察。
- 为什么差这么多：人看图是一个「闭环」——先有个猜测，再把视线移过去验证、修正，如此往复。而今天的多模态模型更像「看一眼就描述」，缺少这种「边看边想、反复回看」的能力。
- 冷静一句：这不是说 AI「看不见」，而是说它在「需要一步步主动查看」的视觉任务上还很弱。它也提醒我们：模型在演示里认图很惊艳，不等于能可靠地读工程图纸、电路图这类需要反复核对的图。
⚑ 本文基于论文《An Exam for Active Observers》（arXiv:2607.16165，作者 Jiarui Zhang、Muzi Tao、Shangshang Wang、Ollie Liu、Xuezhe Ma、Willie Neiswanger，美国南加州大学 USC）及其项目站 activevision.dev 整理（本站已直接核阅论文摘要与项目站）。分数、任务数、任务类别、人类用时等均出自论文与项目站。日报里「Fable 5 用工具达 50%」，经查原文为「Claude Code + Fable 5 工具智能体得 50.6%、仍远低于人类」，本文按原文更正并补全语境。
AI 能给整幅画写小作文，却数不清一团乱线里有几个圈
这两年多模态大模型给人的印象是「看图很强」：发一张照片，它能认出物体、读出文字、还能写一大段描述。但南加州大学的一组研究者做了个新测试，专门戳它的一个软肋，结果相当扎眼——**在一类人类小孩都能做的视觉题上，最强的模型几乎全军覆没。**
他们把这个基准叫 ActiveVision，考的是「主动视觉观察」：不是看一眼就答，而是要你一边看一边想、把目光反复移来移去才能做对。比如给你一团缠在一起的曲线，问「这里有几个互相分开的闭环？」；或者给你一串带箭头的链条，让你「从标记的箭头出发一路跟下去，报出终点的字母」。这些题人类扫一眼、再顺着描两下就答出来了，模型却频频翻车。
它到底考什么：三类「必须反复看」的任务
ActiveVision 一共 17 个任务、85 道题，分成三大类，每一类都刻意设计成「看一眼答不出、必须主动来回查」。
① 分布式扫描（Distributed Scanning）：需要把画面里许多分散的局部信号一个不漏地看全。典型题「乱线数闭环」——在一堆缠绕的曲线里数出有几个各自独立的闭合圈。② 顺序遍历（Sequential Traversal）：沿着连在一起的结构，按顺序一步步走下去。典型题「跟箭头链」——从一个标记的箭头出发，顺着链条走，报出终点的标签。③ 视觉属性对比（Visual Attribute Transfer）：在不同区域之间做精细的比对。典型题「剪影匹配计数」——数出画面里有多少个剪影，是某个模板「原样平移」过来的完全相同的副本。这三类的共同点是：答案不在「看一眼的第一印象」里，而藏在「反复查、逐个比」的过程中。
值得一提的是，为了防止模型靠「背图」蒙混，每个场景都是**由确定性程序生成、再照相写实地渲染**出来的——结构可控，但画面像真实照片，逼着模型真的去「看」。
10.6% 对 96.1%，"开挂"也追不上
把题一跑，差距大到有点滑稽。
目前最强的是 GPT-5.5（开到最高推理档），也只做对了 10.6%（85 题里 9 题），而且 17 个任务里有 11 个拿了 0 分；被公认屠榜的 Claude Fable 5 更低，只有 3.5%（3 题）。对照组是三名人类，平均 96.1%（三人分别 97.6%、96.5%、94.1%），而且每题大约只花 30 秒。那让 AI「开挂」呢？研究者又试了让 Claude Code 配合 Fable 5 当工具智能体，允许它自己写代码、调用视觉库来解题——成绩确实升到了 50.6%，明显好于纯语言模型，但仍远不及人类，而且每题要耗 12–15 分钟。论文点出一个耐人寻味的死结：模型自己写的视觉代码在真实图像上并不可靠，而要发现这些代码错在哪，又恰恰需要它所缺的那种「主动观察」能力。
人看图是「闭环」，模型是「看一眼就说」
为什么会差这么多？论文给的解释，其实点破了当下多模态模型的一个结构性局限。
人类的视觉是一个闭环：我们不是一次性把整张图「拍」进脑子，而是先形成一个初步猜测，再据此把目光移到关键处去验证、修正，然后再看、再调整——认知科学几十年来一直强调，这种「主动观察」对很多任务是必需的。而今天的多模态模型，更接近「看一眼、然后描述」的一次性处理：给定一张静态图，输出一段推理或描述，缺少「根据中间的想法，主动决定下一步该看哪、再回头核对」的机制。于是面对「必须一步步查」的题，它就露馅了——这也正是为什么给它工具、让它自己写代码去「代替眼睛」，也只能补上一部分。
它说明什么，又没说明什么
结论要摆正，别读偏。
第一，这不等于「AI 看不见」：模型在「看一眼就能答」的识别、描述类任务上依然很强，ActiveVision 专门挑的是「需要主动、迭代地观察」这一类硬骨头——它测的是一个特定短板，不是全盘否定多模态能力。第二，这是一篇新研究、样本也不大：对照只有 3 名人类、共 85 道题，作者的目标是「把这个短板量化并暴露出来」，以推动更好的架构与训练目标，而不是给某个模型下最终判决。但即便如此，10.6% 对 96.1% 的悬殊，已经足够说明问题：在「像人一样反复看图」这件事上，最强的 AI 目前仍远未及格。
所以下次看到「多模态模型看图有多强」的演示时，不妨多问一句：这题是「看一眼就能答」，还是「得一步步查着答」？两者之间，可能就隔着这 85 道题量出来的鸿沟。
来源：论文《An Exam for Active Observers》（arXiv:2607.16165，作者 Jiarui Zhang、Muzi Tao、Shangshang Wang、Ollie Liu、Xuezhe Ma、Willie Neiswanger，美国南加州大学 USC，本站直接核阅论文摘要与 HTML 正文）；项目站 activevision.dev（基准名称、三类任务与题例、排行榜数据出自此站）。GPT-5.5 10.6%（9/85、11/17 任务 0 分）、Claude Fable 5 3.5%、人类三人平均 96.1%（97.6/96.5/94.1）、Claude Code＋Fable 5 工具智能体 50.6%、人类每题约 30 秒 vs 智能体 12–15 分钟，均出自论文与项目站。配图为项目站实测截图。
数一团乱线里有几个圈、顺着箭头走到底——这些人类 30 秒搞定的题，最强的 AI 只做对了十分之一。会「读图」不等于会「看图」，这中间隔着一整个「反复回看」的循环。
