PerceptionBench 揭露 AI 視覺盲點：GPT、Kimi 圖片辨識準確率不到 60%

當最強的 AI 依然會「看錯」圖片：PerceptionBench 帶來的視覺現實震撼

我們常有一種錯覺，覺得現在的大型語言模型連複雜的程式碼都能寫了，看懂一張圖片應該是輕而易舉的事。但事實恰恰相反。當你讓 GPT 或 Kimi 這類頂尖模型去做最基礎的圖片辨識時，它們很多時候其實是在「瞎猜」。為了打破這種「AI 視覺已經完美無瑕」的幻覺，Kimi 團隊（月之暗面）近期發布了視覺感知評測工具 PerceptionBench。這套工具直接點破了目前多模態模型在理解實體世界時的集體困境。

為什麼以前我們沒發現這個問題？

關鍵在於過去的視覺評測（VQA）把「看懂畫面」和「邏輯推理」綁在了一起。

舉個例子，如果給 AI 看一張模糊的蘋果樹照片，問它蘋果在什麼位置，即便它根本看不清像素，也能憑藉訓練庫裡累積的語言常識推論出「蘋果長在樹上」。這種投機的答題策略，完美掩蓋了它其實「看不清」的事實。

這種「視力不佳」的缺憾在實驗室裡看似無傷大雅，但如果放到現實中，比如在物流倉庫裡需要精準抓取物品的機器人，或者自動駕駛系統，只要一次像素級的辨識失誤，就可能導致嚴重的物理碰撞或效率災難。

PerceptionBench 的作法是徹底剝離推理能力，專注測試最單純、最底層的「原子感知能力」（Atomic Perception）。它透過人為設計的反常識場景，切斷了 AI 依靠語言邏輯作弊的退路。

測試結果：跨不過去的 60% 準確率天花板

當不能再用「猜」的時候，即使是當前最頂尖的模型，在純粹的視覺感知測試中，準確率連 60% 的及格線都跨不過去。

在 PerceptionBench 的榜單上，GPT-5.6-Sol 僅拿下了 59.7% 的成績，緊隨其後的 Kimi-K3 是 58.5%，而 Claude-Fable-5 則是 57.2%。當推理的拐杖被拿掉，頂級模型的錯誤率全都超過了四成。

圖片來源: https://www.kimi.com/blog/perception-bench

這種表現反映在實際使用中就是「不穩定」。如果你拿同一張圖片反覆詢問同一個模型，它的答案經常前後矛盾——這秒說圖裡有五個人，下秒又改口說是六個。這說明 AI 並沒有建立穩固的視覺神經，許多時候的正確只是運氣好。

這套測試究竟是怎麼設計的？

研發團隊分析了現有模型在 40 多個視覺測試中的失敗案例後，整理出了 3,000 個真實樣本。它涵蓋了十個基礎感知範疇：

• 空間與定位：判斷物體的遠近遮擋與前後左右關係（這對機器手臂抓取物品至關重要）。
• 細節與文字辨識：細粒度特徵擷取、OCR 文字辨識與計數。
• 關係與比較：視覺關係、屬性對比以及上下文整合。
• 幻覺測試：考驗 AI 是否會看見根本不存在的物體。

在這些題目中，AI 必須純粹透過「看」來回答，完全無法依賴外部的常識來推導。

圖片來源: https://www.kimi.com/blog/perception-bench

為什麼 AI 成了「聰明的瞎子」？

問題出在我們過去太依賴「堆參數」與「語言邏輯」了。

現今的多模態大型語言模型（MLLMs）在訓練時，往往高度仰賴豐富的語言先驗知識。這使得增加模型參數對於提升邏輯推理、寫程式或寫文章的幫助極大；但當面臨需要精細空間辨識、計數或 3D 結構的純視覺任務時，它們本質上還是依賴語言邏輯在「推測」畫面，而非真正「看見」。

這種「大腦發達、雙眼模糊」的配置，在現實世界中會帶來很大的風險。如果 AI 代理（Agents）具備了操作系統的高權限，卻缺乏精準的環境視覺感知，哪怕是把「2 個電池」看成「3 個電池」這種原子級別的視覺偏差，都可能讓自動化任務演變成一場災難。

開發者最關心的幾個問題

• 為什麼重複問同一個問題，模型給出的答案不一致？ 因為許多模型在回答基礎視覺問題時，往往是在碰運氣「猜測 (guess)」而非真正感知 (perceive)。當缺乏穩固的底層視覺特徵擷取能力時，其輸出結果自然無法在多次提問中保持一致。
• PerceptionBench 與其他測試相比，最大的不同是什麼？ 它最大的不同是「防作弊」。它的 10 大類別與 3,000 道題目，全都是從現有模型在 40 多個視覺測試的真實失敗案例中萃取出來的。它強迫模型不能再靠常識推理來彌補視覺缺陷，測出的是最真實的原子感知實力。
• 這對未來的 AI 發展有什麼影響？ 這逼著各大實驗室重新思考評測與訓練策略。PerceptionBench 提供了一個精準的診斷工具，未來的多模態模型發展必須正視並解決這些底層視覺的弱點，才能打造出真正忠實且一致的視覺 AI 系統。

結語：從「猜測」到「看見」

這項評測不單只是一個分高下的排行榜，它更像是一道安全邊界。

只有當我們不再迷信「模型參數大就什麼都懂」，將研發資源分一部分到加強底層視覺特徵的擷取上，AI 才有機會真正睜開眼睛。想要在實體世界裡站穩腳步，光有聰明的腦袋是不夠的，AI 首先得學會「好好看路」。

問與答 (Q&A)

Q1：既然 AI 的視覺準確率連 60% 都不到，為什麼我們平常使用 ChatGPT 或 Kimi 讀圖時，還是覺得它們很聰明？ A： 這是因為我們平常輸入的圖片與問題，往往能讓 AI 透過「語言邏輯」或「常識」來彌補視覺的不足。例如，當 AI 隱約看見廚房背景和一個人影時，即使看不清手中拿的具體工具，它也能「推測」出這個人在做菜。PerceptionBench 的嚴苛之處在於，它刻意切斷了所有能依賴常識的退路，強迫模型必須純粹靠「看（原子感知）」來給出答案，這才讓底層的「視力缺陷」原形畢露。

Q2：PerceptionBench 具體測試了哪些「原子感知」能力？ A： 該評測的 3,000 道題目並非憑空捏造，而是從現有模型在 40 多個視覺測試的真實失敗案例中萃取出來的。它涵蓋了 10 大最容易被忽視的底層視覺基礎，包含：視覺關聯 (Visual Relation)、計數 (Counting)、屬性 (Attribute)、深度與 3D 感知 (Depth & 3D)、空間定位 (Localization)、視覺比較 (Comparison)、精細辨識 (Fine-grained Recognition)、上下文整合 (Context Integration)、OCR 文字辨識，以及幻覺 (Hallucination) 測試。

Q3：榜單上目前表現最好的模型是哪幾款？分數差距大嗎？ A： 根據官方最新榜單，目前的前三名分別為 GPT-5.6-Sol（59.7%）、Kimi-K3（58.5%）以及 Claude-Fable-5（57.2%）。儘管它們是目前業界公認最強的多模態模型，但分數不僅咬得非常緊，且無一例外地全數落在及格線（60%）以下。這顯示「視覺感知能力低落」並非單一廠商的缺點，而是整個 AI 產業界目前集體面臨的底層架構瓶頸。

Q4：如果我的企業專案需要導入多模態 AI 來處理圖像（如自動化報表、視覺檢測），有什麼實務上的建議？ A： 根據 PerceptionBench 揭露的現象：現今模型在許多問題上經常是「靠運氣瞎猜」，導致同一張圖片重複提問時答案反覆無常。因此，在應用於關鍵任務（如醫療影像輔助、工業瑕疵檢測、或精細的實體機器人操作）時，絕對不能將多模態大模型作為單一的決策節點。建議必須搭配傳統的電腦視覺演算法（如專門的物件偵測模型）進行雙重驗證，或保持「人機協作（Human-in-the-loop）」的審核機制，直到這道 60% 的視覺天花板被徹底突破為止。