GPT-4o和Sonnet-3.5在视力测试中败北，VLM们竟是“盲人”？

视觉语言模型（VLMs）如GPT-4o、Gemini-1.5Pro等， 已展示了在图像与文本处理上的优异表现，甚至在视觉理解测试中成绩亮眼。 然而，新近研究揭示出，这些AI在本质上并未达到完全模拟人类视觉理解的能力。一份名为“BlindTest”的测试结果显示，这些高级模型在识别基本图形关系（如判定图示中线条交集、图形重叠）等方面，准确率平均仅达56.20%，最高仅73.77%，远低于人类的出色表现。 这一发现呈现了一个关键现象——VLMs的“视”如同近视者，难以精准捕捉并理解图像中细节和精确的空间关系，如判断两个圆是否相交或数数图像中的具体圆圈数量时，普遍存在偏差。特别是，当图像中圆圈数量脱离“5”这个数值时，模型偶有“偏好”，显示其在数量识别上的局限性。 这些发现挑战了公众对VLMs能力的认知，揭示了AI在图像语义理解方面的局限性，并提醒我们人工智能在视觉理解能力方面仍存在显著的待解决问题。