顶尖AI竟输给三岁宝宝，BabyVision测试暴露多模态模型硬伤

01｜“看懂世界” 这关，大模型还没上幼儿园

过去一年，大模型在语言与文本推理上突飞猛进：论文能写、难题能解、甚至在顶级学术 / 竞赛类题目上屡屡刷新上限。但一个更关键的问题是：当问题不再能 “用语言说清楚” 时，模型还能不能 “看懂”？UniPat AI 携手红杉中国 xbench 团队，并联合多家大模型公司与高校的研究员，发布新的多模态理解评测集 BabyVision

UniPat AI 致力于构建真实场景下 AI 训练、评测与应用的新范式，推动其实现可泛化、可信赖的真实世界部署，并创造切实的经济与社会价值。

如果一个视觉问题可以完全用文字描述且不丢信息，它本质上就会 “退化成文本题”。模型可以靠强大的语言推理能力一路通关，看起来很会看，其实是在走语言捷径。而真正的视觉能力，需要在没有语言扶梯的情况下完成：比较、追踪、空间想象、模式归纳。而 BabyVision 证明了多模态大模型的这些纯视觉能力还停留在 “三岁幼儿” 的阶段 ！

Google DeepMind 创始人 Demis Hassabis，在 25 年终播客中也提到类似观点：“大模型可以在国际数学奥林匹克拿金牌，却会在小学几何题上出错；它能生成惊艳图像，却不理解杯子为什么不会飘在空中。”

blog

https://unipat.ai/blog/BabyVision

github

https://github.com/UniPat-AI/BabyVision

huggingface

https://huggingface.co/collections/UnipatAI/babyvision

02｜把顶尖模型和孩子放到同一张 “纯视觉试卷”

BabyVision 先做了一项非常直接的对比实验：把 20 道视觉中心任务（vision-centric）作为 BabyVision-Mini 交给不同年龄段孩子（3/6/10/12 岁）和当下顶尖多模态模型来做。

这份 “小试卷” 要求严格控制语言依赖：题目要求很简单，答案必须靠视觉信息本身得出。

结果非常 “扎心”（如图 1 所示）：

• 大多数模型的分数，聚集在明显低于平均 3 岁儿童的区间；
• Gemini3‑Pro‑Preview 是唯一稳定超过 3 岁基线的模型，但距离 6 岁儿童仍差约 20 个百分点。

下面是其中一道题，直观且反直觉，连线垃圾分类，小孩可以轻松做对，但顶尖模型追踪一条线都能追丢。

任务：三件物品沿着线分别连到哪个颜色垃圾桶？

• 正确答案：A - 蓝，B - 黄，C - 绿
• 模型答案（Gemini3-Pro-Preview）：A - 绿，B - 黄，C - 蓝

人类的解法几乎是本能，从点出发沿线走到终点（下面照片是三岁幼儿真实做题痕迹）。但模型会写出一大段 “逐段追踪” 的推理，最后仍把两条路径接反：看起来 “很会分析”，其实在最基础的视觉追踪上掉线。

03｜BabyVision‑Full 用 388 题，把视觉能力拆成 4 大类能力 22 个子任务

研究团队将视觉能力提炼为四大核心类别，每类下细分若干子任务：

• 精细辨别（Fine-grained Discrimination）：分辨细微的视觉差异（8 个子任务）
• 视觉追踪（Visual Tracking）：跟随路径、线条与运动轨迹（5 个子任务）
• 空间感知（Spatial Perception）：理解三维结构及其关系（5 个子任务）
• 视觉模式识别（Visual Pattern Recognition）：识别逻辑与几何规律（4 个子任务）

这套设计的核心理念很明确：

不是为了 “刁难” 模型，而是量化那些 “人类直觉就会、但构成智能地基” 的视觉原子能力。这同样是具身智能（embodied AI）走向现实世界的必修课。

为了最大程度确保 “纯视觉” 考核的有效性，BabyVision 在数据构建上也下足了工夫。

项目团队首先参考了儿童认知教材和视觉发育测验，梳理出了上述 4 大类共 22 种基础视觉子任务。

接着，每个子技能挑选出 2-3 个种子示例（种子图片），作为该类型任务的典型代表。基于这些种子示例，研究者利用逆向图像搜索和关键词搜索，从互联网上爬取了约 4000 张相似的候选图片。

在数据收集过程中，团队严格遵守版权规范，只挑选可用于非商业或学术用途的素材，并过滤掉可能包含大量文字说明或需要文化常识才能理解的图片。由此获得的海量图片进入人工标注环节：多名专业人员逐一检查图片，筛除不适合出题的样本，对保留下来的图片精心设计问题和标准答案。为了确保答案的客观正确，每个问题还附有详细的 “解题过程” 说明，以证明答案确实可由视觉推理得出。

最终，所有标注完成的问题都经过 “双盲质检”—— 两位独立专家交叉审核，每道题只有在双方都认可其答案无误、推理严谨的情况下才被收录 ；若出现异议则退回修改，反复仍无法达成一致的题目则果断弃用。经过这一系列严苛的筛选，BabyVision 最终产出了 388 道高质量视觉题目，涵盖 22 种子任务。

最终评测结果：人类 94.1%，最强闭源 49.7%，最强开源 22.2%

在 BabyVision‑Full 上，研究团队引入了人类基线，16 位至少本科背景的测试者完成全量 388 题，人类准确率达94.1%

再看模型：

• 闭源最强：Gemini3‑Pro‑Preview 49.7%
• 其后：GPT‑5.2 34.8%、Doubao‑1.8 30.2%

开源侧：

• 最强模型（Qwen3VL‑235B‑Thinking）整体22.2%，多数模型在 12–19% 区间。

更关键的是：差距不是集中在某一个类别。四大类能力都在下滑，说明这是 “系统性缺基础视觉能力”，而非某个单点缺陷。 一些子任务甚至几乎 “全员翻车”，例如Count 3D Blocks在多模型中普遍偏低，暴露的是模型结构化场景能力不足。

04｜为什么会这样？因为这些视觉推理题目是没法用语言描述的（Unspeakable）

最反直觉的地方在于：

BabyVision 里的很多题，对人类来说不难，甚至孩子会用指一指、圈一圈、沿着线走一遍就搞定。

但模型一旦用文字去 “复述” 视觉，再用语言推理去算，信息就丢了。

研究团队把这种现象概括为：

这些视觉题是 “unspeakable” 的，无法在不损失信息的情况下被完整语言化；模型试图把视觉压缩成 token，细节在压缩中消失。

并进一步总结了 4 类典型挑战：

挑战 1：看不见 “非语言细节”（Observing Non-Verbal Details）

比如拼图 / 补全题里，选项差别可能只是一个微小边界、一个局部凸起、一个像素级错位。

• 人类凭几何直觉 “对齐边界” 就能秒选；
• 模型一旦把形状用语言概括成 “像钩子、两个腿、差不多七八个六边形”，细节就被抹平，选项在 token 空间里变得 “几乎一样”。

挑战 2：追线追丢了（Manifold Understanding）

连线 / 绕线 / 轨迹题，答案编码在 “连通性” 里：

• 人类是锁定一条线→穿过交叉→一路追到终点；
• 模型往往把线翻译成 “左 / 右 / 上 / 下” 的离散步骤，一遇到交叉点就出现分叉爆炸，容易 “换轨” 追错线

挑战 3：缺少真正的空间想象（Spatial Imagination）

三维方块计数、视角投影、遮挡下的结构判断，人类通常不是 “用语言一步步描述”，而是把结构在脑中 “立起来”，换个角度看，再数。

模型则容易犯两类错误：漏掉隐藏块、投影关系搞错。这不是逻辑差，而是缺少稳定的 3D 内部表征与变换能力。

挑战 4：图形规律归纳难（Visual Pattern Induction）

这类题要求从少量视觉示例里抽象出规则，再迁移到新图。

人类做的是关系映射，真正决定正确性的是 “发生了什么变化” 而不是 “那里有什么”，具体的形状、颜色、绝对位置都可以变，只有它们在变换中的 “身份” 不变。

模型常常盯着表面属性（颜色、形状），把 “结构规则” 误读成 “外观统计”，导致迁移时幻觉规则。

05｜如果不让它用文字回答，让它 “画” 呢？BabyVision‑Gen 给出一个新方向

当文本推理不够用，一个自然的问题出现了：

能不能让模型像孩子一样，用画、圈、连线、描轨迹来作答？

于是有了 BabyVision‑Gen：

• 从原基准中重新标注出280 道适合 “生成式作答” 的题
• 要求模型输出图像 / 视频来表达解题过程或答案
• 并开发了自动评测工具，与人工评测一致性达95%

研究团队在 BabyVision‑Gen 上评测了多种生成模型（包括 Nano‑Banana‑Pro、Qwen‑Image、Veo‑3、Sora‑2）。现阶段得到的结论很克制但重要：

• 生成式推理在视觉追踪、精细辨别等 VLM 易翻车任务上出现 “更像人类” 的行为（会真的去画轨迹、做标注）；
• 但整体仍然缺乏稳定到达完全正确解的能力。

这至少说明：把视觉推理 “落地到视觉操作” 上，可能是补齐短板的一条路。

下面看一个具体的例子：

任务：用红线沿着从左上角图形延伸出的那条线，完整地描出其全程路径。

Sora2

NanoBanana-pro

06｜为什么 BabyVision 重要？因为现实世界不靠语言提示

正如研究团队在 Blog（https://unipat.ai/blog/BabyVision）中所写：

很难想象一个视觉能力低于 3 岁孩子的机器人，能够可靠地在真实物理世界里帮助人类。

今天，多模态模型 “会说会写” 已经很强。

但要走向真正的通用智能与具身智能，视觉地基必须补上：

• 看得准（细粒度辨别）
• 追得住（轨迹 / 连通性）
• 想得出（3D 结构想象）
• 归纳得了（图形规则迁移）

BabyVision 的价值正在于：把 “看懂世界” 拆成可测量、可诊断、可迭代的 22 个原子能力，告诉我们差距到底在哪里、下一步该补什么，从而引导多模态大模型发展。

UniPat

UniPat AI 致力于构建真实场景下 AI 训练、评测与应用的新范式，推动其实现可泛化、可信赖的真实世界部署，并创造切实的经济与社会价值。

官网链接：https://unipat.ai