新智元报道  


AI能读图表、做竞赛题、识别密密麻麻的文字，甚至用上万枚推理Token，把一道视觉题分析得头头是道。
但它可能看不出：追公交的女人为什么突然慢了下来；两辆车之间还能不能再塞进一辆；会议室里谁最心不在焉；一排烧杯里，最后那个看不清的标签到底是多少。
这些问题，人类往往瞄一眼就有答案。
刚刚，Scale AI联合Elorian发布了一个专门测试这种能力的新Benchmark – Humanity’s Sixth Sense（HSS，人类第六感）。结果相当扎眼：20名人类参与者拿到93.1%，当前榜首GPT-6-astra即使开到最大推理强度，也只有53.6%；25个模型的中位数，更是只有30.9%。
HSS论文：https://labs.scale.com/papers/humanitys-sixth-sense
Scale Labs官方介绍：https://labs.scale.com/blog/introducing-humanitys-sixth-sense
HSS实时榜单：https://labs.scale.com/leaderboard/hss
数据集：https://huggingface.co/datasets/ScaleAI/HSS
这不是一道「模型会不会做题」的小考。
HSS真正追问的是：当AI走进汽车、家庭和办公室，它能不能像人一样，在事情被明确说出来之前，就读懂现场。
HSS首发榜单。25个多模态模型全部显著落后于人类。

AI有视觉
却还没有「眼力见」

HSS所说的「第六感」，不是超自然能力，而是人类每天都在使用的直觉式视觉推理。
看到一张图或几秒视频，我们不只识别「画面里有什么」，还会自动补全那些没有直接显示出来的信息：此前发生了什么、接下来可能发生什么、某个物体能否通过缝隙、谁知道什么、谁在服从谁，以及一个场景背后隐藏着怎样的规则。
这种能力快得惊人。认知科学研究显示，人类大约在150毫秒内就能完成自然场景分类，并同步提取物理动态、行为意图与社会结构。
现有视觉Benchmark却大多站在两个极端：一类考奥数、图表、学术知识等「专家级慢思考」；另一类考OCR、目标识别、检测定位等底层感知。
夹在中间、对真实世界最重要的能力，反而长期没有被单独测量：人类不用列公式、也很难说清过程，却能一眼得到答案的视觉直觉。
HSS把这块空白正式变成了分数。
522道题，专门考画面没有明说的东西
HSS包含522道开放式任务，对应288张图片和234段视频，视频总时长17.6小时。题目被划分为4个大类、11个子域：
时间与因果动态。模型要从当前画面反推过去，判断正在起作用的物理机制，或预测下一步会发生什么。例如，视频中一名女子把转辙器从右手边扳到左手边，这个动作让铁轨的道岔发生了什么变化？
物理与空间逻辑。模型要判断被遮挡的物体、质量与不可见的作用力，也要回答「放不放得下」、「换个视角会看到什么」「某个人够不够得着」。
社会理解。模型要推断人的信念、情绪、知识差和意图，也要读懂社会角色、规范与权力关系。例如，一名女子追赶公交车，跑着跑着突然放慢了脚步，原因是公交车停下来等她，她不必再冲刺了。
抽象与情境推断。模型要找出赋予场景意义的隐藏规则，包括变化带来的后果、排列中的规律，以及「在物体中看见脸」这类空想性错觉（pareidolia）。例如，一排烧杯上的标签依次是40、50、60、70，最后一个模糊的标签该是多少？答案是80。
HSS四大任务域。每道题都包含图像/视频、问题、参考答案和评分标准。
最关键的设计是：答案不能直接出现在像素里。
高清放大就能看见答案的题，淘汰；需要专业知识的题，淘汰；人类无法形成一致判断的题，同样进不了正式测试集。
标注团队一共编写了3466道候选题，经过三轮独立审核，只留下522道，录取率仅15.1%。仅第一轮就淘汰了2302道，最主要的原因，正是「答案其实已经在画面里」或「人类无法一致认可正确答案」。
评分同样严格：模型自由作答，没有选项可供排除；由LLM裁判（Claude-Opus-5）对照评分标准逐条打分，所有标准都满足才算答对。团队还用三家厂商的裁判重新评分了5个模型，排名完全一致，且未发现明显的「自家模型偏好」。

25个模型集体失灵
榜首不到人类的六成
研究团队测试了来自8家厂商的25个多模态模型。
GPT-6-astra以53.6%排名第一，其后依次是GPT-6.1-sol（46.6%）、Claude-Opus-5.5（44.6%）、Gemini-3.8-flash（41.6%）和Claude-Fable-5.1（40.8%）。其余模型全部低于40%。
而人类是93.1%。
更有意思的是「盲测对照」：当研究者把图片和视频拿掉，只让最强模型根据问题文本猜答案时，GPT-6-astra的成绩暴跌到6.6%。这说明HSS并不是在考语言套路，也不能靠常识模板蒙混过关。决定答案的证据，确实藏在视觉现场里。
视频尤其难。25个模型中有23个在视频任务上表现更差，平均下降7.3个百分点。社会理解则是最薄弱的领域：21个模型在这一项上得分最低，平均准确率只有24.4%，而其他三个领域平均为34.1%。

模型不是不会推理
而是没看懂
为了找到失败根源，研究团队对模型的8573次失败进行了逐项归因。
结论与「模型需要更强逻辑推理能力」的直觉几乎相反：94%的失败来自感知或潜在信息推断，真正的逻辑推理错误只占很小一部分。
最常见的错误，是漏掉决定答案的关键线索（21.3%）；其次是认错物体、人物或角色（19.9%）；再往后是误判尺寸、距离和能否容纳（12.2%），看错朝向（12.0%），以及把二维遮挡误当成三维对齐（9.1%）。
不同子域的失败高度集中在「看错」和「没有从画面中读出隐含信息」。
而且，这些错误并非随机失误。在至少5个模型同时做错的题目中，中位数高达80%的模型会因为同一个原因失败。这意味着不同厂商、不同架构的模型，可能共享着相似的视觉盲区。
它们可以生成很长的思维链，却可能从第一眼就拿错了关键事实：认错人，看反方向，搞错遮挡关系；然后再花几千个Token，把一个错误的前提推得越来越完整。25个模型平均每题要用约4000个推理Token。
提高推理强度总体有帮助，但并不稳定。在若干子域里，推理等级越高，成绩反而越低，峰值常常出现在中间档位。
当输入的世界模型是错的，「再想一会儿」并不会自动带来正确答案。
给模型配上Agent，能补课，但补不出真正的空间感
研究团队进一步把模型放进Claude Code和Codex，让Agent可以裁剪、放大、重新抽帧、搜索和反复检查视觉材料。
效果确实明显。在388题的子集上，Claude-Opus-5从30.8%升至51.3%，Claude-Fable-5.1从41.2%升至57.7%；GPT-6-astra在Codex中从54.4%升至59.3%，成为Agent设置下的最高成绩。
Agent最擅长修复「再仔细看一遍就能发现」的错误：物体与角色识别错误从181次降到147次，朝向错误从117次降到93次，尺寸与适配判断错误从137次降到105次，漏掉关键线索则从154次降到110次。
Agent能通过重新检查画面减少多类错误，但对三维深度判断几乎无能为力。
但一个数字暴露了边界：把二维重叠误判为三维对齐的错误，只从102次降到101次，几乎没有变化。
这类失败不是「图没放大」，而是模型缺少稳定的三维空间表征。Agent可以拿起放大镜，却不能凭空长出人类的空间直觉。
更值得警惕的是，Agent设置中的少数逻辑错误反而增加了。工具调用和反复思考能修复浅层观察，却也可能带来新的推理路径偏移。
所以，Agent并不是HSS问题的终点，更像一次诊断：视觉工具可以缓解「没看清」，却解决不了「没看懂」。

多模态AI的下一道墙
过去几年，多模态模型的进步常常表现为会读更多文字、会解更难的题、能处理更长的视频。
HSS提出了另一条坐标轴：一个模型是否拥有对真实世界的直觉。
这条轴对现实中的AI Agent尤其关键。家用机器人需要在孩子摔下楼梯之前，就注意到他正朝台阶挪去；自动驾驶系统需要判断车辆能否通过，而不是只识别出「前方有两辆车」；办公室助手需要读懂谁在发号施令、谁没听懂，以及一句客套话背后的真实意图。
这些能力都不能等到世界把答案写成字幕。
HSS的意义，也不只是再做一张新榜单。它把长期被笼统称作「常识」「世界模型」或「社会智能」的问题，拆成了可测量的时间、空间、社会和抽象推断能力；又进一步用失败归因告诉研究者，瓶颈究竟发生在哪里。
从结果看，下一代多模态系统可能需要的不只是更长的思维链，而是更可靠的对象与角色绑定、更稳定的三维表征、更连续的时间建模，以及从真实交互中获得的社会与物理经验。
今天的模型已经能对一张图侃侃而谈。但HSS提醒我们：会描述世界，不等于理解世界；会推理，也不等于拥有直觉。
在人类93.1%与模型53.6%之间，隔着的不是一道更难的考试题，而是机器真正走进现实世界之前，必须补上的那一眼。

参考资料：

https://labs.scale.com/papers/humanitys-sixth-sense


编辑：LRST


秒追ASI
⭐点赞、转发、在看一键三连⭐
点亮星标，锁定新智元极速推送！




文章原文