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
英伟达技术大牛实名发声:身患重病时,黄仁勋出手帮他抢下生机

英伟达技术大牛实名发声:身患重病时,黄仁勋出手帮他抢下生机

普陀动物世界
2026-11-18 08:58:23
逃过了股市暴跌,却没逃过银行理财的暴击

逃过了股市暴跌,却没逃过银行理财的暴击

深水财经社
2026-11-18 14:21:15
普京来华前夕先送大礼,俄方宣布重磅消息,中国大后方再落一子

普京来华前夕先送大礼,俄方宣布重磅消息,中国大后方再落一子

通鉴史智
2026-11-18 10:06:16
甘肃19岁姑娘,认58岁男上司为干爹,去家中照顾他引发悲剧

甘肃19岁姑娘,认58岁男上司为干爹,去家中照顾他引发悲剧

民间精选故事汇
2025-06-14 13:37:34
41岁C罗15分钟戴帽,生涯985球!沙特联赛却把钱从买人转向建球场

41岁C罗15分钟戴帽,生涯985球!沙特联赛却把钱从买人转向建球场

桑葚爱动画
2026-11-03 14:18:57
沉默45年,中国终于迎来第二轮“严打”!目标改变总体战正式打响

沉默45年,中国终于迎来第二轮“严打”!目标改变总体战正式打响

闻识
2026-05-04 08:59:03
CBA3消息!强援加盟广东宏远,山东或买断皮尔森,上海不满布歇试训表现!

CBA3消息!强援加盟广东宏远,山东或买断皮尔森,上海不满布歇试训表现!

体坛卡卡说
2026-11-17 11:05:10
二十届五中全会释放用人新风:跳出年龄学历框,不再降格凑班子

二十届五中全会释放用人新风:跳出年龄学历框,不再降格凑班子

户外阿毽
2026-11-17 06:11:58
完了!膝软骨退化,库里生涯真的要完了……

完了!膝软骨退化,库里生涯真的要完了……

体育新角度
2026-11-18 11:27:31
郑丽文:绝不放弃武力护台,洪秀柱表态:两岸和平不能回避统一

郑丽文:绝不放弃武力护台,洪秀柱表态:两岸和平不能回避统一

混沌录
2026-11-17 22:34:08
财报炸裂!英伟达史上首次单季营收突破1000亿美元

财报炸裂!英伟达史上首次单季营收突破1000亿美元

每日经济新闻
2026-11-18 06:31:33
曝蔡天凤案大反转!6000W豪宅邝球拿了3000W,写他名是为了省税

曝蔡天凤案大反转!6000W豪宅邝球拿了3000W,写他名是为了省税

神秘的未知领域
2026-11-18 01:50:28
JunJia绿帽事件迎来结局!Doggo远赴欧洲打比赛,WBG新阵容曝光:RNG双C再次合体

JunJia绿帽事件迎来结局!Doggo远赴欧洲打比赛,WBG新阵容曝光:RNG双C再次合体

风尘Game
2026-11-18 12:56:14
一旦恢复该规定,中国结婚率或将大幅上涨,离婚率也会有所下降

一旦恢复该规定,中国结婚率或将大幅上涨,离婚率也会有所下降

福建睿平
2026-10-28 07:23:25
回顾:山东女子野生虎区强行下车,与幼虎合照,10分钟后悲剧发生

回顾:山东女子野生虎区强行下车,与幼虎合照,10分钟后悲剧发生

兰姐说故事
2025-01-17 10:30:03
真相炸裂!宗庆后3个私生子并非同一母亲,小儿子是别墅管家所生

真相炸裂!宗庆后3个私生子并非同一母亲,小儿子是别墅管家所生

派大星纪录片
2025-07-15 13:28:11
午后拉升!千亿PCB龙头,冲上涨停

午后拉升!千亿PCB龙头,冲上涨停

中国基金报
2026-11-18 16:08:54
美媒爆料:勇士酝酿重磅交易,巴特勒、格林均可作为筹码

美媒爆料:勇士酝酿重磅交易,巴特勒、格林均可作为筹码

夜白侃球
2026-11-18 11:25:39
18分逆转!格莱姆斯47+6+3,赛后小里冲进场庆祝,东契奇先行退场

18分逆转!格莱姆斯47+6+3,赛后小里冲进场庆祝,东契奇先行退场

担酒
2026-11-18 15:07:43
高市拒不道歉,还想受到中方礼遇?日官员恳求,峰会上别降级对待

高市拒不道歉,还想受到中方礼遇?日官员恳求,峰会上别降级对待

靓仔情感
2026-11-17 04:36:22
2026-11-18 17:03:00
机器之心Pro incentive-icons
机器之心Pro
专业的人工智能媒体
14506文章数 142760关注度
往期回顾 全部

科技要闻

老黄想回来?英伟达董事会:没门

头条要闻

中国女子在希腊失踪半年 保险箱发现10万欧元现金

头条要闻

中国女子在希腊失踪半年 保险箱发现10万欧元现金

体育要闻

伪强队?拥4亿豪阵欧国联6连败+世界杯出局

娱乐要闻

陈晓楠对话厉娜和许飞引全网热议

财经要闻

10万人逼宫英伟达,黄仁勋要复职了?

汽车要闻

更豪华更好开 问界新M8细节升级见真章

态度原创

家居
教育
艺术
数码
军事航空

家居要闻

2026建博会(广州) 公装联探展交流活动

教育要闻

济南市历下区燕山小学教育集团将出席2026第四届课博会,解码“做中学”视域下小学科学教育生态构建

艺术要闻

漫天香氛,秋风醉人~杭州的秋天从不让人失望!13个地方,秒出大片!

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

军事要闻

美军在中东再成三航母之势

无障碍浏览 进入关怀版