新基准测试证实 AI 模型视觉感知能力仍不佳

Moonshot AI 发布新基准测试 PerceptionBench，用于评估多模态 AI 模型的视觉感知能力，独立于逻辑推理。结果显示，目前没有任何前沿模型达到 60% 的准确率，GPT-5.6 Sol 以微弱优势领先。许多原本被认为是推理错误的案例，实际在图像读取阶段就已出现。

此前评估多模态模型时，常将错误归因于推理环节。PerceptionBench 将视觉感知与逻辑推理分离，揭示多数错误发生在早期图像读取阶段，这改变了人们对模型能力瓶颈的认知，有助于更精准地定位和解决基础感知问题。

多模态模型的整体表现是感知与推理的叠加。若感知阶段已产生错误，后续推理必然受影响。PerceptionBench 通过专门设计任务隔离感知环节，因此能暴露推理测试中被掩盖的真实短板。

多模态产品（如文档解析、图像问答）在感知层存在系统性缺陷，会影响复杂场景的准确率。研发需优先优化视觉编码器或感知模块，而非仅调整推理逻辑。测试结果也可为产品选型提供参考。

• 开发针对感知层的专项优化工具或服务，帮助团队定位图像读取阶段的错误
• 基于该基准构建面向多模态产品的评估报告，作为采购或选型的参考依据
• 设计提升感知准确率的数据增强或训练方案，面向模型提供方或应用开发者

• PerceptionBench 的任务设计和评测标准是否公开且可复现？
• 前五大模型的准确率具体数值是多少？差异是否显著？
• 是否存在某些视觉感知类型（如空间、纹理）表现相对较好？
• 证据未提及发布时间外的其他独立验证或复现结果。