人类93.1%，最强模型53.6%：AI的"第六感"考砸了

人类瞄一眼就能答对的题，25个多模态模型集体失灵。Scale AI联合Elorian发布的新基准Humanity's Sixth Sense（HSS，人类第六感），把这块长期没人单独测量的能力变成了分数。

结果很扎眼：20名人类参与者拿到93.1%，榜首GPT-6-astra即使开到最大推理强度，也只有53.6%；25个模型的中位数更是只有30.9%。首发榜单上，25个多模态模型全部显著落后于人类。

HSS追问的不是"模型会不会做题"，而是当AI走进汽车、家庭和办公室，它能不能像人一样，在事情被明确说出来之前，就读懂现场。追公交的女人为什么突然慢下来、两辆车之间还能不能再塞进一辆、会议室里谁最心不在焉——这些问题的答案，都不在像素里。

522道题，答案不能直接出现在画面里

HSS包含522道开放式任务，对应288张图片和234段视频，视频总时长17.6小时，划分为4个大类、11个子域：时间与因果动态、物理与空间逻辑、社会理解、抽象与情境推断。

最关键的设计是：答案不能直接出现在像素里。高清放大就能看见答案的题淘汰，需要专业知识的题淘汰，人类无法形成一致判断的题同样淘汰。标注团队编写了3466道候选题，经过三轮独立审核只留下522道，录取率仅15.1%；仅第一轮就淘汰2302道，主因正是"答案其实已经在画面里"或"人类无法一致认可正确答案"。

评分同样严格：模型自由作答，没有选项可排除，由LLM裁判对照评分标准逐条打分，所有标准都满足才算答对。

盲测暴跌到6.6%，视频是重灾区

榜单前五依次是GPT-6-astra（53.6%）、GPT-6.1-sol（46.6%）、Claude-Opus-5.5（44.6%）、Gemini-3.8-flash（41.6%）和Claude-Fable-5.1（40.8%），其余模型全部低于40%。

盲测对照更能说明问题：把图片和视频拿掉，只让最强模型根据问题文本猜答案，GPT-6-astra的成绩暴跌到6.6%。HSS不是在考语言套路，决定答案的证据确实藏在视觉现场里。

视频尤其难。25个模型中有23个在视频任务上表现更差，平均下降7.3个百分点。社会理解是最薄弱的领域：21个模型在这一项得分最低，平均准确率只有24.4%，而其他三个领域平均为34.1%。

94%的失败，是没看懂而不是不会推

研究团队对模型的8573次失败逐项归因，结论与"模型需要更强逻辑推理"的直觉几乎相反：94%的失败来自感知或潜在信息推断，真正的逻辑推理错误只占很小一部分。

最常见的错误是漏掉决定答案的关键线索（21.3%），其次是认错物体、人物或角色（19.9%），再往后是误判尺寸、距离和能否容纳（12.2%）、看错朝向（12.0%）、把二维遮挡误当成三维对齐（9.1%）。

这些错误并非随机。在至少5个模型同时做错的题目中，中位数高达80%的模型会因为同一个原因失败——不同厂商、不同架构的模型，可能共享着相似的视觉盲区。它们能生成很长的思维链，却可能从第一眼就拿错了关键事实，再花几千个Token把错误前提推得越来越完整。25个模型平均每题要用约4000个推理Token。

提高推理强度总体有帮助，但并不稳定。在若干子域里，推理等级越高成绩反而越低，峰值常出现在中间档位。

Agent能补课，补不出空间感

研究团队把模型放进Claude Code和Codex，让Agent可以裁剪、放大、重新抽帧、搜索和反复检查视觉材料。效果确实明显：在388题的子集上，Claude-Opus-5从30.8%升至51.3%，Claude-Fable-5.1从41.2%升至57.7%；GPT-6-astra在Codex中从54.4%升至59.3%，成为Agent设置下的最高成绩。

Agent最擅长修复"再仔细看一遍就能发现"的错误：物体与角色识别错误从181次降到147次，朝向错误从117次降到93次，尺寸与适配判断错误从137次降到105次，漏掉关键线索从154次降到110次。

但一个数字暴露了边界：把二维重叠误判为三维对齐的错误，只从102次降到101次，几乎没有变化。这类失败不是"图没放大"，而是模型缺少稳定的三维空间表征。Agent可以拿起放大镜，却不能凭空长出人类的空间直觉。更值得警惕的是，Agent设置中的少数逻辑错误反而增加了。

在人类93.1%与模型53.6%之间，隔着的不是一道更难的考试题。会描述世界，不等于理解世界；会推理，也不等于拥有直觉。