网易首页 > 网易号 > 正文 申请入驻

最强GPT-6 Astra只对26.7%,Einsia AI发布的Visual Cipher Bench难住顶级AI

0
分享至

修 bug、写功能、跑长任务…… 今天的 Agent 几乎都能做。因为要求有文字说明,做错了有测试报错。

那如果规则只画在图里呢?

一张黑白线稿,几个编号,几条箭头。没有题干,没有选项,做对做错也没人告诉你。

所有线索都在图里,很难转成文字,只能反复看图、提假设、再回到图里验证。这就是长程视觉推理

8 个前沿模型、3480 次尝试:最强的 GPT-6 Astra(max)只答对 26.7%,DeepSeek V4.1 Flash、Qwen 3.8 Max、Kimi K3.1 Pro 三个模型一题没对。

更戏剧的是:只要用一句话点明规则,总体准确率立刻从 12.2% 跳到 51.1%。

近日Einsia AI旗下 Navers Lab 发布 Agent 视觉推理基准Visual Cipher Bench



40 道原创视觉谜题,67 张黑白线稿,它考的是长程视觉推理,正好卡在现有评测的空白上:

  • 视觉评测大多是单轮问答,题目问什么写得清清楚楚,推理链很短
  • Agent 评测几乎都在文本和代码里,就算用到图像,也能靠试错拿到环境反馈
  • Visual Cipher Bench 两头都不给:线索只在图里,对错没人告诉你

40 道题共用同一句指令:看图,把最终答案写进文件。

哪些图形是样例、哪些是待解的输入、答案是单词还是数字都得自己看。

40 道题分为四类,每类 10 道:

  • 空间操作与模拟:折叠、旋转、投影之后长什么样
  • 逻辑约束与规划:从图里读出约束,走通唯一方案
  • 规则归纳:从几个样例里悟出这道题独有的规则
  • 知识解码:认出摩斯码、盲文、文字游戏这类 “暗号”



  • 论文题目:Visual Cipher Bench: Benchmarking LLM Agents on Long-Horizon Visual Reasoning
  • 项目主页:https://lab.einsia.ai/visual-cipher-bench/
  • arXiv:https://arxiv.org/abs/2611.16861
  • GitHub:https://github.com/Einsia/Visual-Cipher-Bench

成绩单:榜首不到三成,三个模型 0 分

8 个模型、29 种推理强度配置,每种配置跑三遍。按各模型的最佳配置排:

  • GPT-6 Astra(max):26.7%,平均每轮解出 40 题中的 10.7 道
  • GPT-6.1 Sol(max)、Claude Opus 5.5(xhigh):并列 21.7%
  • GPT-6 Luna、Claude Sonnet 5.5:0.8%,三轮 120 次尝试,各只对了 1 次
  • DeepSeek V4.1 Flash、Qwen 3.8 Max、Kimi K3.1 Pro:0

29 个配置,没有一个摸到 30%。

而且没有中间地带:前三名每轮能解 8.7~10.7 题,后五名几乎为零。



规则归纳,870 次尝试只对 5 次

29 种配置 × 40 道题 × 各跑 3 遍,一共 3480 次尝试。按题型拆开,偏科偏到离谱:

  • 空间操作:22.8%
  • 知识解码:3.3%
  • 逻辑规划:2.4%
  • 规则归纳:0.6%

榜首 GPT-6 Astra(max) 在空间题上能拿 80%;换到另外三类,没有任何配置超过 13.3%。

在规则归纳这个类别的 10 道题里,870 次尝试中只对了 5 次。

区别只有一个:空间题的规则通常直接画在图上,照着做就行;规则归纳类的,得自己悟。

更扎心的是,那 5 次里还有靠蒙的。这些谜题的答案大多是一个英文单词或短语;有的模型根本没找到规则,只是手头凑出的几个字母刚好能拼成一个和题面主题沾边的词,就把它交了上去,碰巧对了而已。



一句核心规则提示

准确率从12.2%提升到51.1%

既然卡在 “找规则”,那直接把规则告诉它呢?

Einsia AI研究团队挑了 10 道题,给 GPT-6 Astra、GPT-6.1 Sol、GPT-6 Luna 各加一句提示:只点明核心规则,不给中间状态,更不给答案。

  • 总体:12.2% → 51.1%
  • 规则归纳:0% → 85.2%
  • GPT-6 Astra:23.3% → 70.0%
  • GPT-6.1 Sol:13.3% → 66.7%
  • 超时次数:90 次尝试里,从 51 次降到 29 次



会不会只是 “多给一句话” 本身有用?团队做了对照:另写一句只讲 “怎么表示题目状态”、不讲规则的提示,准确率只到 16.7%。

起作用的不是提示,是规则本身。

不过规则也不是万能药:逻辑题给了规则也只有 22.2%,因为对于这些,执行本身就是困难。

AI 的两种输法:赌徒和苦力

翻开失败的轨迹,输家只有两种。

赌徒,押一把就走。 找到一条只能解释部分样例的规则,剩下的看都不看就提交;实在悟不出来,干脆按题面主题押一个词,有的还一边承认 "没解完" 一边交卷。

苦力,埋头算到底。 不缺工具调用,缺的是收网:要么在通用规则里大海捞针,要么明明找对了机制,却把所有组合挨个枚举,就是不用题目的约束剪枝。直到时间耗尽,答案也没解出来。

赢家两样都不做,而是先写下几个候选规则,把每个样例当成一道验证题逐一筛,只剩一个才动手求解。

赌徒只用了一部分证据,苦力拿穷举代替证据。可图里的样例,本身就是测试用例。

真实世界,从不给题干

一句话提示,准确率就能从 12.2% 跳到 51.1%。

很多时候,AI 和答案之间只隔着这一句话。

可偏偏是这句话最难。文档会写需求,测试会报错,真实世界什么都不说,没有人会提前告诉你,眼前这堆线条该按什么规则去读。

自己看,自己猜,再回到图里自己验证。因此长程视觉推理,是 AI 接下来要补的课。

从 “看图找不同” 到密室逃脱,人类一直拿解谜来丈量聪明。现在轮到 AI 站到这把尺子前,第一次量出来的成绩是:26.7 分。

特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。

Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.

相关推荐
热点推荐
不许武契奇东山再起?欧盟开出条件:反华加反俄,不然就踢出欧盟

不许武契奇东山再起?欧盟开出条件:反华加反俄,不然就踢出欧盟

小七七七七
2026-11-21 17:11:26
玄学提醒:你不必操心自己的命运

玄学提醒:你不必操心自己的命运

闻心品阁
2026-11-21 08:57:57
十二月份开始惊喜在路上!喜报频传,存款持续上涨的三大生肖!

十二月份开始惊喜在路上!喜报频传,存款持续上涨的三大生肖!

情感事聊
2026-11-21 14:37:32
“权贵们的新套路!”北理工裴轶的来时路被扒:和协和4+4竟是一个套路

“权贵们的新套路!”北理工裴轶的来时路被扒:和协和4+4竟是一个套路

妍妍教育日记
2026-10-05 10:10:15
670吨钢网架整体升空!北京昌平正在建一座特殊的飞机厂房

670吨钢网架整体升空!北京昌平正在建一座特殊的飞机厂房

今日搞笑分享
2026-11-21 12:50:58
常州市一栋236.5㎡的别墅拍卖,被人144万元拍下了

常州市一栋236.5㎡的别墅拍卖,被人144万元拍下了

天天话事
2026-11-21 09:42:53
霍建华《急诊室的奇迹》冲Netflix冠军 被问过气自嘲有红过吗?

霍建华《急诊室的奇迹》冲Netflix冠军 被问过气自嘲有红过吗?

达达哥
2026-11-21 10:50:09
10万级的M8,11月24日发布!根本没对手!

10万级的M8,11月24日发布!根本没对手!

电动内参
2026-11-21 17:50:30
美国下月举办G20峰会期间,是否会举行第二次中俄美三国元首会晤,外交部回应

美国下月举办G20峰会期间,是否会举行第二次中俄美三国元首会晤,外交部回应

政知新媒体
2026-11-20 15:25:01
霍启山不选正值巅峰的章子怡,反而是娜然。不是他被美色迷住了,也不是家里反对,而是章子怡有新的选择

霍启山不选正值巅峰的章子怡,反而是娜然。不是他被美色迷住了,也不是家里反对,而是章子怡有新的选择

黎兜兜
2026-11-20 08:12:06
狂飙:俄军一夜发射超百枚导弹,其中两枚命中波兰领土!

狂飙:俄军一夜发射超百枚导弹,其中两枚命中波兰领土!

胜研集
2026-11-20 23:57:02
PS5 Pro涨至1.6万元,两天涨价2000元

PS5 Pro涨至1.6万元,两天涨价2000元

21世纪经济报道
2026-11-21 17:28:23
陈羽凡现状:低调生活,50岁胖到认不出,17岁儿子1米8长得像妈

陈羽凡现状:低调生活,50岁胖到认不出,17岁儿子1米8长得像妈

三公子娱乐丫
2025-05-17 17:59:45
加拿大优衣库,又被中国女孩买爆了

加拿大优衣库,又被中国女孩买爆了

DT商业观察
2026-11-20 12:16:36
最高法新规明确:严格控制城区人民法庭设置

最高法新规明确:严格控制城区人民法庭设置

红星新闻
2026-11-20 16:09:03
下投男!文班亚马放弃扣篮,历史首见零距离跳投!

下投男!文班亚马放弃扣篮,历史首见零距离跳投!

篮球实录
2026-11-21 00:12:07
带病上阵!米切尔:我非常感激哈登站出来 我今天病得特别重。

带病上阵!米切尔:我非常感激哈登站出来 我今天病得特别重。

天光破云来
2026-11-21 12:47:03
给所有退休老人一个忠告:永远不要在子女面前,表现出这6种行为

给所有退休老人一个忠告:永远不要在子女面前,表现出这6种行为

风起见你
2026-10-21 01:39:23
确定成为神宫寺奈绪师妹!顶流厂牌Madonna 喜迎“强势生力军”,重磅官宣人气要角「明日叶みつは」加盟消息

确定成为神宫寺奈绪师妹!顶流厂牌Madonna 喜迎“强势生力军”,重磅官宣人气要角「明日叶みつは」加盟消息

孤独的独角兽影视
2026-11-21 09:50:17
纽约时报往死里整黄仁勋?爆料其威胁摘掉一英伟达员工的头套,露出其大脑,然后在上面撒尿

纽约时报往死里整黄仁勋?爆料其威胁摘掉一英伟达员工的头套,露出其大脑,然后在上面撒尿

小徐讲八卦
2026-11-21 10:54:53
2026-11-21 18:39:00
机器之心Pro incentive-icons
机器之心Pro
专业的人工智能媒体
14525文章数 142761关注度
往期回顾 全部

科技要闻

Anthropic收涨17.1%,市值一度破2万亿美元

头条要闻

菲总统马科斯APEC欢迎曲为《孩子》引发热议 本人回应

头条要闻

菲总统马科斯APEC欢迎曲为《孩子》引发热议 本人回应

体育要闻

约基奇vs申京:最强的策应巨人?

娱乐要闻

官媒发文 官宣赵丽颖新身份,进步很大

财经要闻

最大回撤超37%,黄金崩盘了吗?

汽车要闻

全新红旗H9最有意思的地方,是它开始有自己的豪华逻辑了

态度原创

艺术
教育
旅游
时尚
数码

艺术要闻

投资55亿!深圳歌剧院施工现场更新,主音乐厅马蹄形已现!

教育要闻

曾经“感动中国”的庞众望完成清华大学博士论文答辩,本人发声:将继续潜心钻研,在科研探索的道路上不断前行

旅游要闻

青岛冬日赏鸥地图|沿着海岸线,赴一场海鸥之约

秋天衣服别总穿纯色,试试这几件条纹单品,简单时尚又减龄

数码要闻

苹果公布2026古典乐年度专辑:任奫灿《哥德堡变奏曲》获奖

无障碍浏览 进入关怀版