HSS测试揭示AI视觉直觉短板：人类93.1%，最强模型仅53.6%

一张照片里没拍出来的东西，你能读出多少？

两个人并排站在走廊里，衬衫一模一样，你扫一眼就分得清谁是上级谁是下级；路边停着两辆车，中间那道空隙能不能再挤进一辆，你立刻就有判断，用不着找尺子。这种本事太顺理成章了，顺理成章到我们从没把它当成一项“技能”去对待。

换成眼下最顶尖的AI模型来做同样的事呢？2026年发布的一项研究把答案摆了出来，数字有点扎眼：此类任务上人的正确率是93.1%，成绩最好的AI模型只有53.6%，相差将近40个百分点。要知道，在不少需要专业知识、要绕复杂数学推导的任务上，如今的AI已经逼近甚至超过人类专家；可一落到这种“一看就懂”的直觉判断，它反倒露了怯。

论文题为《人类的第六感》，英文名Humanity's Sixth Sense，简称HSS。

**HSS**：一个评测基准，专门用来检验AI能否像人那样，从图片或视频里“读出”那些并没有被明确画出来的信息。

名字听着玄，指向的能力却很具体：瞄一眼场景，就能推出此前发生过什么、后面会怎么走、谁跟谁是什么关系、这套安排里藏着什么规律。研究者把它叫作“视觉直觉”——快到来不及细想，凭日常经验就能完成的那类判断。

**现有AI评测为何照不出这块短板**

有件事容易搞混，得先讲明白：市面上那些号称“视觉能力很强”的AI评测，考的多数并不是这种直觉。

拿MMMU、HLE这类基准来说，递给AI一张图，图上或是数学图形或是科学图表，它得先认全图里的数字和符号，再动用推理去解题。这类任务的脾气是：只要把图里的信息完整转成文字，题照样做得出来。换句话说，图片在这里只充当信息的“搬运工”，真正费劲的是后头的符号推导。

另有一类评测，比如V*、Video-MME，考的是你能不能从一堆杂乱信息里把答案揪出来，比如在一段长视频中找到某个一闪而过的细节。难点落在“找”上——答案就摆在画面里，只是不容易被看见。

这两种情况，HSS都刻意绕开了。

它要的是：答案压根没出现在画面中，你得靠对世界的常识把它“推”出来。研究者为此立了三条硬杠杠：其一，若把画面放大、看清了就能直接得出答案，这题作废，因为它测的是眼力而非推理；其二，若解题需要专业知识或复杂计算，同样作废，因为它测的是专业技能而非常识直觉；其三，题目与答案必须让所有审核人员意见一致，不许有歧义。

三条规矩说来简单，真执行起来严得吓人。研究团队让标注员一共写出3466道题，三轮独立审核走完，只剩522道留了下来，通过率15.1%。头一轮就砍掉了三分之二的题目，淘汰理由多半是“这题瞄一眼图就知道答案”或者“这题的答案有争议”。

这道筛选工序本身就透露了一件事：想测出纯粹的直觉，比预想的难得多。人脑做这类判断时，常常连自己都说不清“我为什么这么觉得”；要把这种模糊的直觉打磨成一道答案明确的考题，中间横着不少坎。

**四个维度、十一个子类：为“直觉”画一张地图**

HSS把这种直觉切成四个大类、十一个小类，每一类都对应人脑处理视觉信息时的一种独特本事。

头一类叫时间与因果动态，说白了就是“看一眼画面，推出前因后果”。比如视频里有人把一根铁轨扳到了另一侧，AI得推断出这一下改变了后面列车往哪开。这一类底下再分三个小类：倒推此前发生了什么、弄懂当下的物理机制、预判接下来会怎样。

第二类是物理与空间逻辑，考的是对空间结构的把握。比如给一张停车场照片，问两辆车之间还能不能再塞进一辆。这里面有个挺有意思的子类，叫“外星视角”：让AI设想自己站在画面中另一个人的位置上，判断那人能看见什么、够不着什么。这对应的是人脑一项很强的能力——心理旋转，闭着眼睛你也能想象出“站到那个角度会看到什么”。

第三类是社会理解，考的是人与人之间那层看不见的关系：谁在生气却没露出来，谁手里其实握着权力，谁正在撒谎。这类任务几乎全用视频来呈现，因为意图和情绪往往要靠一段时间的动作才显形，一张静止的照片很难说清“这个人正在生气”。

第四类是抽象与情境推断，考的是从散落的信息堆里找出隐藏的规律。论文里有个很巧的例子：一排烧杯贴着标签，前四个依次是40、50、60、70，第五个标签糊了看不清，AI要推断出上面写的是80——因为这是个等差数列。

四类合起来，覆盖的正是认知科学钻研了几十年的几个经典领域：对物体和空间的核心认知、直觉物理学，还有心智理论，也就是推断别人心里在想什么。研究者把这些学术概念重新打包，做成了能具体打分的考题。

有个类比或许能说清这套设计的用意。你教一个刚会走路的孩子认识世界，不会上来就讲牛顿力学公式，而是扔给他一个球，让他自己摸出“往上抛的东西会掉下来”这条规律。你若非要用公式考他，他当然考不过学过物理的大人，可这恰恰说明问题问错了——你想测的本来就不是“他学没学过物理”，而是“他对世界怎么运转有没有建立起直觉”。HSS把这套思路搬到了AI评测上：它不问AI“你会不会算”，它问的是“你在这个世界上活着，该有的那份常识你有没有”。

**53.6%对93.1%：这个差距说明了什么**

研究团队测了来自八家公司的25个主流AI模型，OpenAI、Anthropic、Google等几乎叫得上名字的厂商，旗舰产品都在其中。

成绩排第一的是GPT-6-astra，把推理强度开到最高，正确率也只有53.6%。人类标注员这边是93.1%。多数模型的分数还不到40%，差距摆在那里。

研究者另外设计了一组对照实验，叫“盲测”：把图片或视频完全拿掉，只留文字问题，看AI能否凭纯语言知识猜出答案。结果，表现最好的那个模型分数从53.6%直接掉到6.6%。这说明HSS考的确实是视觉信息，不是让AI靠套路蒙对。更有意思的是，522道题里只有4道是三次盲测都蒙对的，其余蒙对的题几乎都是“非A即B”的两选一，AI选了一边，再编出一套看起来合理的理由。这跟蒙选择题一个道理，蒙对了不等于懂，只是运气好押中了。

数据里还有两个细节可以单独拎出来说。

**视频比图片更难，社交理解是最弱的一环。**

23个模型里有23个在视频任务上比图片任务差，平均低7.3个百分点。这说明AI处理“随时间展开的信息”还有明显短板，它可能看清了某一帧的画面，却串不起整段视频里的因果链条。四大类任务里，社交理解是全场最弱的一环，21个模型里有21个在这一类上拿到最低分，平均正确率只有24.4%，比其他三类低了近10个百分点。这倒挺符合直觉，判断“这个人现在是不是在生气但没表现出来”，比判断“这个物体会往哪边滚”难多了，前者没有物理规律可以依赖，全靠对人类社会关系的敏感度。

人类标注员这边的数据也挺耐人寻味。20名标注员在同样条件下作答，拿到93.1%的正确率，每道题还要求他们打一个自信程度分。结果显示，522道题里标注员只有63道感到“不确定”，占比12.1%，而即便是这些“不确定”的题目，他们的正确率依然有85.7%。这说明人类的直觉能力有个特点：就算你说不清楚自己为什么这么判断，这个判断本身往往还是对的。AI完全不同，它一旦“说不清楚”，往往也就真的判断错了。

**为什么AI会错：三大类失败原因**

研究团队没有停在“AI不行”这个结论上，他们把24个模型在522道题上留下的8573次错误答案逐条分析，追究每次失败的根本原因，归纳出十一种具体错误类型，又把这十一种归并成三大家族。

第一类叫感知错误，占全部失败的53%，指AI对画面里明明存在的东西看错了，比如看错物体朝向、算错物体之间的距离比例，或者把二维画面里两个东西重叠的样子误判成三维空间里它们真的靠在一起。这个“把二维重叠看成三维对齐”的错误特别顽固，占了9.1%的失败，后面会讲到它为什么格外难修。

还有一类是隐性推断错误，占比 41%。它指的是：画面没有直接给出的信息，AI 无法从间接线索里推出来，例如被挡住的东西是什么形状、某个人真正的动机又是什么。这类错误中出现最多的一项叫“漏掉了关键线索”，占 21.3%。换句话说，解题证据其实就在画面里，AI 却根本没有看到。

第三类叫推理错误，占比最小，只有5%，说明AI在“看懂了”之后犯的逻辑推导错误反而是最少的。

光看这组比例，就能读出不少东西。它指向的并不是“推理能力弱”，而是“看不准、看不全”。这跟人们对 AI 的常见印象正好相反：不少人以为 AI 推理不行，可数据显示，推理环节出错在三类里反倒最少。问题出在更靠前的步骤——视觉信息的提取上。

研究者还发现了一条略感意外的规律：当一道题有五个以上模型都做错时，这些模型里有 80% 的中位数是栽在同一个原因上。可见 AI 出错既非随机，也不是某个模型独有的毛病，而是整条技术路线上存在一个共同的薄弱环节。

**给AI装上“放大镜”，能不能补上这个短板**

既然AI的问题主要出在“看”这个环节，那给它一个工具，让它能主动放大、裁剪、反复查看画面细节，是不是就能解决问题？

研究团队确实试过这个办法：他们把 AI 放进两种“智能体”框架，一种叫 Claude Code，一种叫 Codex。在这两种框架下，AI 不必看一眼就作答，它可以像人那样反复观察、裁出局部、放大细节，甚至写代码去分析像素。

**智能体工作流**：一种让AI模型可以主动调用工具、多轮操作后再给出最终答案的工作方式，而不是看一眼就直接作答。

结果显示，这种“反复看”的策略确实有帮助，但帮助有限。用Claude Code框架，两个模型的正确率分别提升了16.5和20.5个百分点，代价是思考token消耗暴涨到原来的12到14倍，相当于让AI把同一张图翻来覆去看了几十次。用Codex框架，提升幅度小一些，只有4.9到7.5个百分点，但消耗的额外计算资源也少得多。即便是表现最好的组合，Codex配上GPT-6-astra，最终也只拿到59.3%，离人类的93.1%还有一大截距离。

更关键的一步，是研究者又对这些智能体做错的题做了同样的失败原因分析，结果发现了一个很能说明问题的现象：感知类错误和隐性推断类错误都明显减少，降幅在 19% 到 37% 之间，可见反复放大、裁剪的确能帮 AI 找回此前漏掉的线索。然而“把二维重叠看成三维对齐”那种错误，数量几乎没动，从 102 降到 101，基本等于没降。

这个细节耐人寻味。一张照片里两个物体重叠的区域，你放得再大、看得再清楚，它终究只是二维图像，本身不携带深度信息。好比对着一幅画拍张照片，镜头拉得再近，也看不出画里的苹果是在桌子前面还是后面——相机压根没记录下这个深度信息。放大镜能解决“看清楚”，却解决不了“信息本来就没有”。研究者还注意到，智能体反复查看时，有时会“越看越糊涂”：第一眼判断对了，反复分析之后反倒把自己说服成了错误答案，这和人“想太多反而想歪了”有几分相似。

**推理越多越好吗？不一定**

论文还做了一项颇为细致的消融实验，专门去验证「让AI想得更久，是不是就能想得更对」这件事。

结论有点反直觉。有些子任务上，把推理强度从中等提到最高，正确率不升反降。GPT-6-astra在「倒推过去发生了什么」这类任务上，推理强度从high调到xhigh，正确率掉了14个百分点。放到整体看，不少模型发挥最好的档位并不是推理强度最高那一档，而是中间档位。

这个结果和论文的核心主张正好对上了。研究者一再强调，直觉判断的要害在于「快速、自动、不需要刻意推导」；硬让AI对着一道直觉题苦思冥想，它反倒容易掉进过度分析的坑里。这就像一个人盯着一张脸看太久，看着看着就开始怀疑这张脸到底好不好看。本来一眼就能判断的事，被拆得太细之后，那种直截了当的准确性反而没了。

视频输入的采样密度也做了类似测试。研究者把抽帧数量从10帧一路加到500帧，每个模型的表现都随抽帧数量增加而提升，但过了100帧之后，提升幅度明显放缓，甚至有模型从100帧加到500帧后还小幅下降。给AI喂更多视觉信息并不是无限有效的，边际收益递减的点确实存在。

**结果靠不靠谱：谁来给AI打分**

HSS的打分办法，是让另一个AI模型当裁判，看被测模型的回答有没有满足事先写好的评分标准。

这种做法听起来有点自己人考自己人的意思，研究者也意识到了这层风险，于是专门做了一轮交叉验证：找三个不同厂商的AI分别当裁判，给同样的五个模型打分。三个裁判给出的排名完全一致，相关系数在0.98以上，裁判之间的意见一致率超过95%。他们还专门查了「裁判会不会偏袒自家模型」，结果没发现明显的自我偏袒，有的裁判给同门模型打分时反而更严格。这轮交叉验证说明，53.6%这个分数不是裁判手松或者偏心造出来的，相对可信。

**写在后面**

读完论文，最让我意外的是AI的短板所在。它一直被人诟病的「推理能力」倒没出大问题，真正掉链子的是最基础的「看懂画面」这一环。过去我们担心的是AI推理出错、逻辑跳跃，可数据摆在这里：推理环节的失误只占5%，感知和推断加起来占到94%。问题可能比想象中更底层——不是算法不够聪明，而是它理解视觉世界的方式和人类压根不是一回事。

有个细节我反复想了很久。那个「把二维重叠误读成三维对齐」的错误，放大镜和智能体工具都治不好。这暗示的问题更深一层：AI从训练数据里学到的是像素与像素之间的统计关联，人类理解空间靠的却是从小到大身体在真实三维世界里摸爬滚打攒出来的直觉。这两种「理解」可能从根上就不是一个东西，一个是靠看图片学出来的二维模式匹配，一个是靠身体经验堆出来的三维世界模型。如果这个判断成立，那单靠喂更多图片、调更大参数，恐怕很难真正补上这个缺口，它需要的或许是一种完全不同的学习方式。

论文里那个「推理强度越高、分数反而越低」的结果，也值得多想一层。它多少说明，直觉和深思熟虑可能真是两套不同的认知系统，硬逼一套系统去模拟另一套的干活方式，效果未必好。这让人想起人做选择题时，第一反应往往是对的，反复纠结之后把答案改掉，很多时候反而改错了。AI在这里表现出的现象，和人类这种常见的认知陷阱竟如出一辙。

人类用93.1%的正确率完成的这套测试，放在十年前的我们眼里，恐怕根本不会被当成一道「题」——它太简单了，简单到我们从没把它当成一种需要专门测试的能力。而现在最顶尖的AI面对这套题，只能拿到刚过一半的分数。这个落差未来多久能被追上，还是说有些东西，AI永远得用另一种完全不同的方式才能真正学会。

Q&A

Q1：HSS基准测试主要考察AI模型的什么能力？

A：这项测试不看AI的专业知识储备，也不比它找细节的眼力，考的是它能否像人一样，从图片或视频中推出画面没有直接呈现的隐含信息，例如事情的前因后果、物理空间关系、社交关系以及隐藏的规律。

Q2：目前表现最好的AI模型在HSS测试中能拿多少分？

A：表现最好的模型是GPT-6-astra，在开启最大推理强度的情况下拿到53.6%的正确率，而人类标注员的平均正确率是93.1%，两者差距接近40个百分点。

Q3：给AI模型加上智能体工具反复查看画面，能不能解决这个差距？

A：差距能收窄一些，核心问题却动不了。实验里让AI借助智能体框架反复放大、裁剪画面，正确率有5到20个百分点的提升，可算力消耗涨了好几倍；至于「把二维重叠误判成三维对齐」这一类错误，基本没有起色。