多家研究机构最新发布的 BabyVision 视觉推理基准结果显示，当前最强多模态模型在视觉推理方面的表现，仍显著落后于人类儿童水平。

即便是表现最好的 Gemini 3 Pro Preview，其得分也仅略高于 3 岁儿童，与 6 岁儿童仍存在约 20% 的差距，与成年人 94.1% 的水平更是相去甚远。

研究来自 UniPat AI、xbench、阿里、月之暗面、阶跃星辰等团队。结果显示，Gemini 3 Pro Preview 以 49.7% 的成绩领跑闭源模型，其后依次为 GPT‑5.2（34.4%）与豆包 Seed‑1.8（30.2%）。

其他模型表现更低，包括 Qwen3‑VL‑Plus（19.2%）、Grok‑4（16.2%）与 Claude 4.5 Opus（14.2%）。在开源模型中，Qwen3VL‑235B‑Thinking 以 22.2% 的成绩位列第一，但仍无法与闭源模型竞争。

研究指出，当前多模态大模型普遍采用「视觉转语言」的推理路径，即先将图像压缩为语言表征，再依赖语言模型进行推理。

这一架构在处理细粒度几何、空间关系、路径连续性等非语言特征时存在天然瓶颈，导致模型在「找不同」「连线」「空间想象」「视觉规律归纳」等任务中频繁出错。

在 BabyVision 的四大能力维度 —— 细粒度辨别、视觉追踪、空间感知与视觉模式识别中，模型均暴露出明显短板。

例如，Gemini 3 Pro Preview 在拼图匹配、路径连线与三维结构推断任务中均出现错误；Qwen3‑VL‑Plus 在视觉规律归纳任务中也未能给出正确答案。

研究团队进一步分析了模型在视觉推理中的四类核心挑战：

1. 非言语性精细细节难以保留，导致模型无法区分微小差异；
2. 流形一致性缺失，使模型难以在复杂路径中保持连续追踪；
3. 空间想象能力不足，难以从二维图像构建稳定的三维表征；
4. 视觉模式归纳能力薄弱，无法从示例中抽象出变化规则。

为突破语言化视觉推理的限制，研究提出两条潜在路径：基于可验证奖励的强化学习（RLVR）与基于生成模型的视觉推理。

实验显示，Qwen3‑VL‑8B‑Thinking 在 RLVR 微调后整体准确率提升约 4.8 个百分点；而在 BabyVision‑Gen 的生成式推理测试中，NanoBanana‑Pro 以 18.3% 的准确率领先 GPT‑Image‑1.5 与 Qwen‑Image‑Edit。

研究认为，未来多模态智能的发展方向，将从「语言驱动」转向「视觉原生推理」。统一架构（如 Bagel）与具备物理建模能力的生成模型（如 Sora 2、Veo 3）展示了在视觉空间中进行显式推理的潜力，包括绘制中间步骤、标注关键区域或生成物理轨迹等方式。

研究团队指出，生成过程本身可能成为一种更高级的推理形式。

论文全文：https://arxiv.org/abs/2601.06521