大模型视觉能力比不过6岁小孩，为什么？

根据多家研究机构最新发布的BabyVision视觉推理基准测试结果，目前性能最强的多模态大模型，在视觉推理能力上依然远未达到人类儿童的认知水平。

即便是表现最佳的Gemini 3 Pro Preview，其综合得分仅勉强超过3岁儿童，与6岁儿童相比仍有约20%的明显差距，距离成年人高达94.1%的准确率更是存在巨大鸿沟。

这项研究由UniPat AI、xbench、阿里巴巴、月之暗面、阶跃星辰等多家前沿团队联合开展。数据显示，Gemini 3 Pro Preview 以49.7%的得分位居闭源模型榜首；紧随其后的是 GPT‑5.2（34.4%）与豆包 Seed‑1.8（30.2%）。

其余模型得分普遍偏低：Qwen3‑VL‑Plus 为19.2%，Grok‑4 为16.2%，Claude 4.5 Opus 仅为14.2%。在开源阵营中，Qwen3VL‑235B‑Thinking 以22.2%的成绩暂列第一，但仍未具备与主流闭源模型抗衡的实力。

研究指出，当前主流多模态大模型普遍依赖“视觉转语言”的推理模式——即先将图像编码为文本式表征，再交由语言模型完成后续逻辑推演。

这种架构在应对细粒度几何判断、空间方位关系建模、路径连续性跟踪等高度依赖非语言感知能力的任务时，存在本质性局限，致使模型在“找不同”“连线匹配”“空间构型想象”“视觉规律归纳”等典型任务中频繁失效。

BabyVision 基准将视觉推理能力划分为四大核心维度：细粒度辨别、视觉跟踪、空间感知与视觉模式识别。结果显示，所有参测模型在这四个方向均暴露出系统性短板。

例如，Gemini 3 Pro Preview 在拼图配对、轨迹连线及三维结构反推任务中多次给出错误响应；Qwen3‑VL‑Plus 同样未能通过视觉规律归纳类题目的检验。

研究团队进一步提炼出模型视觉推理所面临的四类根本性挑战：

1. 非言语性细微信息难以保真，导致模型无法识别图像间细微差异；
2. 流形一致性缺失，使其在复杂动态路径中难以维持稳定跟踪；
3. 空间想象能力薄弱，无法从二维输入可靠构建一致的三维心理表征；
4. 视觉模式抽象与归纳能力不足，难以从有限示例中提炼可泛化的结构规则。

为突破现有“语言中心化”视觉推理范式的瓶颈，研究提出了两条可行的技术演进路径：基于可验证奖励信号的强化学习（RLVR）与基于生成模型的原生视觉推理。

实验表明，Qwen3‑VL‑8B‑Thinking 经 RLVR 微调后，整体准确率提升约4.8个百分点；而在 BabyVision‑Gen 的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 与 Qwen‑Image‑Edit。

研究认为，未来多模态智能的发展重心，正加速从“语言驱动型理解”转向“视觉原生型推理”。诸如 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（如 Sora 2、Veo 3），已在实践中展现出在视觉空间中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，或将成为一种更高阶、更本质的推理表达形式。

论文全文：