视觉推理挑战：大模型仍显稚嫩

谁能预料？

在视觉推理领域，大模型的表现还远不如一个三岁孩童。

根据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，

在BabyVision视觉推理benchmark测试中，当前表现最佳的Gemini 3 Pro Preview也仅略胜三岁儿童一筹，与六岁儿童相比仍有20%的差距。

与成年人94.1的准确率相比，更是相差甚远。

更为关键的是，Gemini 3 Pro Preview已经算是当前模型中的佼佼者。

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。

这一令人扎心的结论，无疑给当前基于VLA（M）的具身智能泼了一盆冷水。

毕竟，一个视觉能力尚未达到三岁儿童水平的AI，很难在真实物理世界中稳定、安全地协助人类。

BabyVision的研究也给出了另一种视角：

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，而非继续依赖将视觉问题转化为语言来“绕行”。

视觉推理的语言化瓶颈

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%的得分领先，其次是GPT-5.2 (34.4%)和豆包-Seed-1.8 (30.2%)。

其余模型表现不佳：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。

问题出现了。

为什么能在HLE、IMO等高难度任务中展现博士级“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？

结论：当前的多模态大模型通常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的强大推理能力，但也引入了一个根本性的限制：

无法被语言准确表达的视觉信息，都会在这一过程中丢失。

非言语性精细细节的缺失

“不可描述”的视觉特征构成了BABYVISION任务的核心难点。

流形一致性（Manifold Identity）的丢失

空间想象力

视觉模式归纳

基于RLVR与生成式建模的视觉推理

(一) RLVR

(二) 生成模型方法

(三) 研究趋势：将生成模型转化为原生多模态推理器