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
美国一查中国家底才发现不得了,怪不得中国人的底气这么的足!

美国一查中国家底才发现不得了,怪不得中国人的底气这么的足!

阿器谈史
2026-11-17 12:05:39
一个90多岁的老太太,脚上蹬着15块钱的破鞋,住着武汉不起眼的小院,却一口气捐了1000万。

一个90多岁的老太太,脚上蹬着15块钱的破鞋,住着武汉不起眼的小院,却一口气捐了1000万。

回京历史梦
2026-11-10 17:50:30
俄军一夜击落2049架无人机,普京发现一个真相,导弹不够用了

俄军一夜击落2049架无人机,普京发现一个真相,导弹不够用了

第一军情
2026-11-17 16:19:53
明年可能是中华人民共和国全党、全军、全国各族人民重要的一年

明年可能是中华人民共和国全党、全军、全国各族人民重要的一年

旧史新谭
2026-10-29 13:10:54
格列兹曼:C罗是传奇,是一台不知疲倦的胜利机器

格列兹曼:C罗是传奇,是一台不知疲倦的胜利机器

懂球帝
2026-11-17 18:03:16
西安一对夫妻上班途中遇车祸双双遇难,两女儿被工亡认定踢来踢去

西安一对夫妻上班途中遇车祸双双遇难,两女儿被工亡认定踢来踢去

糖逗在娱乐
2026-11-17 15:03:10
陆毅说:“如果我女儿的男朋友很上进,但家境一般,我会棒打鸳鸯。因为我觉得门当户对很重要,而且婚姻要得到双方父母的祝福,才会幸福”

陆毅说:“如果我女儿的男朋友很上进,但家境一般,我会棒打鸳鸯。因为我觉得门当户对很重要,而且婚姻要得到双方父母的祝福,才会幸福”

背包旅行
2026-11-16 09:55:48
台湾地区“九合一”,蓝对绿预估11比10,三个城市或决定选举走向

台湾地区“九合一”,蓝对绿预估11比10,三个城市或决定选举走向

凡知
2026-11-17 10:22:31
1975年,不肯改口的张志新被执行死刑,年仅45岁

1975年,不肯改口的张志新被执行死刑,年仅45岁

花开无田
2026-11-16 22:22:14
NBA:东部大乱!绿军翻车,76人赢球,热火5连胜,第一第四同换!

NBA:东部大乱!绿军翻车,76人赢球,热火5连胜,第一第四同换!

余飩搞笑段子
2026-11-17 12:18:50
性感美腿+网眼丝袜德国田径女星出圈 仅拿到过世锦赛第7被讽是花瓶

性感美腿+网眼丝袜德国田径女星出圈 仅拿到过世锦赛第7被讽是花瓶

劲爆体坛
2026-11-17 07:50:03
王宝强带女友参加婚礼,冯清苹果肌肿胀明显,被吐槽医美过度!

王宝强带女友参加婚礼,冯清苹果肌肿胀明显,被吐槽医美过度!

娱乐团长
2026-07-07 11:00:01
大补的鱼不是带鱼和鲫鱼,而是这三种鱼一周吃两次,补脑益智

大补的鱼不是带鱼和鲫鱼,而是这三种鱼一周吃两次,补脑益智

房产衫哥
2026-11-15 17:03:46
欧阳震华谈娱乐圈婚外情,坦言:“哪个男人不想的?想一下而已”

欧阳震华谈娱乐圈婚外情,坦言:“哪个男人不想的?想一下而已”

韩小娱
2026-11-17 11:08:21
杨尚昆担任国家主席时,为什么没有入选政治局常委?

杨尚昆担任国家主席时,为什么没有入选政治局常委?

【历史客栈】
2026-10-29 16:01:29
冷空气明天“到货”,广州或明显降温

冷空气明天“到货”,广州或明显降温

新快报新闻
2026-11-17 08:36:05
将黄乐送给黄仁勋的正是其丈夫本人

将黄乐送给黄仁勋的正是其丈夫本人

辇毂
2026-11-12 21:53:52
科技板块再遭重挫,多只重仓AI硬件的基金发清盘预警

科技板块再遭重挫,多只重仓AI硬件的基金发清盘预警

第一财经资讯
2026-11-16 20:42:11
撒切尔夫人在回忆录中坦言:当年不想归还香港,考虑过发动战争。

撒切尔夫人在回忆录中坦言:当年不想归还香港,考虑过发动战争。

小马姨
2026-08-08 15:50:39
土耳其人:这么贵的东西中国人天天当水喝?真是羡慕中国人!

土耳其人:这么贵的东西中国人天天当水喝?真是羡慕中国人!

抽象派大师
2026-11-10 18:27:26
2026-11-17 19:20:49
机器之心Pro incentive-icons
机器之心Pro
专业的人工智能媒体
14497文章数 142758关注度
往期回顾 全部

科技要闻

硅谷大佬组局,帮黄仁勋杀回来!

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

教育
艺术
游戏
亲子
军事航空

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!

小伙表示连玩7天《GTA6》 这下PS5可惨了

亲子要闻

宝宝气人但是聪明的4个行为

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