多家研究機構最新發布的 BabyVision 視覺推理基準結果顯示，當前最強多模態模型在視覺推理方面的表現，仍顯著落後於人類兒童水平。

即便是表現最好的 Gemini 3 Pro Preview，其得分也僅略高於 3 歲兒童，與 6 歲兒童仍存在約 20% 的差距，與成年人 94.1% 的水平更是相去甚遠。

研究來自 UniPat AI、xbench、阿里、月之暗面、階躍星辰等團隊。結果顯示，Gemini 3 Pro Preview 以 49.7% 的成績領跑閉源模型，其後依次為 GPT‑5.2（34.4%）與豆包 Seed‑1.8（30.2%）。

其他模型表現更低，包括 Qwen3‑VL‑Plus（19.2%）、Grok‑4（16.2%）與 Claude 4.5 Opus（14.2%）。在開源模型中，Qwen3VL‑235B‑Thinking 以 22.2% 的成績位列第一，但仍無法與閉源模型競爭。

研究指出，當前多模態大模型普遍採用「視覺轉語言」的推理路徑，即先將圖像壓縮為語言表徵，再依賴語言模型進行推理。

這一架構在處理細粒度幾何、空間關係、路徑連續性等非語言特徵時存在天然瓶頸，導致模型在「找不同」「連線」「空間想象」「視覺規律歸納」等任務中頻繁出錯。

在 BabyVision 的四大能力維度 —— 細粒度辨別、視覺追蹤、空間感知與視覺模式識別中，模型均暴露出明顯短板。

例如，Gemini 3 Pro Preview 在拼圖匹配、路徑連線與三維結構推斷任務中均出現錯誤；Qwen3‑VL‑Plus 在視覺規律歸納任務中也未能給出正確答案。

研究團隊進一步分析了模型在視覺推理中的四類核心挑戰：

1. 非言語性精細細節難以保留，導致模型無法區分微小差異；
2. 流形一致性缺失，使模型難以在複雜路徑中保持連續追蹤；
3. 空間想象能力不足，難以從二維圖像構建穩定的三維表徵；
4. 視覺模式歸納能力薄弱，無法從示例中抽象出變化規則。

為突破語言化視覺推理的限制，研究提出兩條潛在路徑：基於可驗證獎勵的強化學習（RLVR）與基於生成模型的視覺推理。

實驗顯示，Qwen3‑VL‑8B‑Thinking 在 RLVR 微調後整體準確率提升約 4.8 個百分點；而在 BabyVision‑Gen 的生成式推理測試中，NanoBanana‑Pro 以 18.3% 的準確率領先 GPT‑Image‑1.5 與 Qwen‑Image‑Edit。

研究認為，未來多模態智能的發展方向，將從「語言驅動」轉向「視覺原生推理」。統一架構（如 Bagel）與具備物理建模能力的生成模型（如 Sora 2、Veo 3）展示了在視覺空間中進行顯式推理的潛力，包括繪製中間步驟、標註關鍵區域或生成物理軌跡等方式。

研究團隊指出，生成過程本身可能成為一種更高級的推理形式。

論文全文：https://arxiv.org/abs/2601.06521