文章核心观点 - 当前顶尖多模态大模型在视觉推理能力上表现不佳，整体水平仅相当于或低于三岁儿童，与成年人水平（94.1）差距巨大[1][2][4] - 模型表现不佳的根本原因在于其主流架构依赖将视觉信息转化为语言进行推理，导致大量无法被语言精确描述的细粒度视觉信息丢失[11][20][21] - 未来的多模态智能发展需要从底层重建视觉能力，探索绕过“语言瓶颈”的新架构，例如基于生成模型的视觉推理[11][68][71] 模型在BabyVision基准上的表现 - 在BabyVision视觉推理基准测试中，表现最佳的闭源模型是Gemini 3 Pro Preview，得分仅为49.7%[14] - 其他前沿闭源模型得分更低：GPT-5.2为34.4%，豆包-Seed-1.8为30.2%，Qwen3-VL-Plus为19.2%，Grok-4为16.2%，Claude-4.5-Opus为14.2%[14][15] - 表现最好的开源模型是Qwen3VL-235B-Thinking，总分为22.2%，但仍远低于顶尖闭源系统[16][18] - 所有模型的表现与六岁儿童相比仍有约20%的差距，与成年人94.1的水平更是天壤之别[2][4] 当前多模态大模型面临的视觉核心挑战 - 非言语性精细细节的缺失：模型将视觉输入转化为粗略的语言描述，导致如精确几何形状、边界曲率、像素级差异等无法被语言描述的细节丢失，在“找拼图”等任务中出错[25][26][29][30] - 流形一致性的丢失：模型难以在长距离空间中维持感知一致性，例如在“连线任务”中，将连续曲线拆解为指令序列后，在交叉点容易走错路径[31][34][35][36] - 空间想象力的不足：模型难以从二维图像构建稳定的三维内部表征并进行心理变换，在从特定视角想象物体形状的任务中，因空间信息在文本摘要中被压缩而犯错[39][43][44][45] - 视觉模式归纳的困难：模型难以从少量视觉示例中总结通用变化规则，通常采用数属性的文本匹配方式，而非理解视觉关系的变化逻辑，在“找规律”任务中出错[47][48][50][51][52] 改善视觉推理的潜在技术方向 - 基于可验证奖励的强化学习（RLVR）：在Qwen3-VL-8B-Thinking模型上进行RLVR微调后，整体准确率从13.1%提升至17.9%，提高了4.8个百分点，在细粒度辨别、空间感知和视觉模式识别等子类任务上均有提升[55][56][57] - 基于生成模型的视觉推理：研究通过BabyVision-Gen基准评估生成模型，NanoBanana-Pro表现最优，整体准确率达18.3%，GPT-Image-1.5和Qwen-Image-Edit分别为9.8%和4.8%[60][61] - 生成模型如NanoBanana-Pro、Sora-2展现出显式视觉思维，能够沿逻辑路径生成物理轨迹，但单纯的生成能力仍需稳健的视觉语义理解引导[62][66] - 统一架构（如Bagel）允许模型在推理过程中保留高保真视觉表征，在视觉空间内进行“显式思考”，支持“生成本身即是推理的一种高级形式”的观点[68][69][70][71]