先做一道题：给你几张同一个房间的多视角照片，请回答——蓝色椅面的办公椅右边是什么？
A. 单人沙发以及旁边的一张小桌子；B. 摆着微波炉的桌子；C. 小厨房；D. 蓝色垃圾桶。
这是今天（8月19日）AI科技评论文章里的一道视觉考题。Qwen2.5-VL-7B稳稳选对A，LLaVA-OneVision-8B却选了D。按惯例，我们大概会把锅甩给"模型空间推理不行，左右不分"。但中山大学团队给模型做了一次"脑部CT"：把LLaVA推理时的中间隐藏层特征提取出来，渲染成3D点云图——结果让人意外：在那张作为关键参照物的"小桌子"，在模型脑海的三维世界里压根不存在。不是方向搞混了，是这个物体它根本没"看见"。知乎
这项叫SpatialSV的研究，是这周值得聊的三件事之一。而三件事串起来，指向同一个扎心的问题：你天天用来识图、问视频的多模态大模型，可能真的没在"看"。
李飞飞团队的狠招：悄悄把图拿掉
其实今年5月，斯坦福李飞飞团队就投过一颗炸弹，而这周它又在社区里热了一轮——B站一条《李飞飞新论文：AI正在假装"看见"》的解读视频播放量超过6万，标题很直白：“圈内炸开锅，圈外一无所知”。哔哩哔哩
实验思路简单到有点狠：悄悄把图拿掉，只给模型文字题干。
结果：GPT-5、Gemini、Claude这些前沿多模态模型，在60%-90%的情况下，依然自信满满地输出详细的视觉描述和诊断结论。知乎按社区对这项研究的解读，无图模式下模型平均保留了70%-80%的原始准确率——也就是说，图片带来的真实增益，可能只有20%-30%。
更离谱的是配套实验：一个30亿参数的纯文本小模型，从没见过一张X光片，只拿X光问答的文本数据训练，就在胸部X光问答里赢了所有视觉大模型，平均分还高出人类放射科医生10个百分点。
这不是小模型突然开窍，而是考题本身漏题。“患者年龄、病史、症状描述"这些题干信息，和诊断结果之间存在强统计关联——模型根本不用看片，只要学会"题干→答案分布"这条捷径。研究团队进一步用清洗方法剔掉"没图也能答对的题"后，三大医学评测基准有74%-77%的题目被移除，模型的真实视觉成绩从60多分跌到15%-23%。知乎过去两年我们看到的一部分多模态"SOTA突破”，考的很可能不是看图，而是文本推理。
这里多说一句：8月16日量子位发布的李飞飞最新访谈里，她还在反复强调同一件事——“视觉是智能的基石”。量子位她着急是有原因的。
杨立昆的论文，被标题党带偏了
同一时间，杨立昆（LeCun）参与的ICLR 2026论文《From Tokens to Thoughts》在知乎掀起大讨论，一条高赞回答的浏览量冲到281万。知乎但"AI连鸟是什么都不懂"这类标题，把研究本身带偏了。
实验其实做得很细：拿心理学里几十年前的人类概念分类实验，和40多个语言模型内部的embedding做对比。人类认知里，知更鸟是"典型的鸟"，企鹅没那么典型——模型内部这些词表示之间的距离，和人类的典型性判断像不像？
结果分两层。第一层，大模型很会分大类："鸟、家具、水果"这些类别，所有受测模型内部的聚类都和人类类别明显对应，全部高于随机水平。第二层，类别内部出现分歧：多数模型内部距离与"哪个更像一只典型的鸟"的人类判断，相关性低于0.15。
所以这篇论文能证明的，是"LLM组织概念的方式不像人"——它们倾向形成更适合统计压缩的表示；它证明不了的，是"LLM内部没有任何意义"。这两句话差距很大，但标题党只保留第一句。
反证同样扎实：只喂黑白棋落子序列训练的Othello-GPT，内部能被解码出当前棋盘状态，人为篡改这个内部表示，模型的下一步落子会跟着变；针对Llama 2的研究发现，模型内部存在稳定编码地理经纬度和时间年代的方向。模型不是鹦鹉，它确实在预测下一个词的过程中，被逼着建起了一些内部世界结构。
三项研究串起来，其实是一句话
把三件事放在一起看，线索其实很清晰：
李飞飞团队证明：当答案能从文字里猜出来时，模型可以完全不看图；
杨立昆证明：模型的概念组织为"统计压缩"服务，和人类靠感知、行动、身体经验堆出来的概念系统不是一回事；
SpatialSV证明：一旦问题猜不出来——比如跨视角的空间关系——模型内部的3D表征哪里坍塌，它就错在哪里。8个主流多模态模型都服从同一个规律：内部几何还原越差，空间问答准确率越低。
一句话总结：现在的多模态大模型，很多时候是"先会猜，顺便会看"。文本先验能覆盖的地方，它显得无所不能；文本先验够不着的地方，才是它真实视力的边界。
普通人怎么用？这份边界清单可以存一下
先说结论：多模态不是不能用，是要分清场景。
可以放心交给它的：
截图、票据、文档里提取文字这类任务，答案就写在像素里，文本猜不出来，模型必须真看，靠谱程度高；
描述图片内容、视频摘要、认花认菜认地标这类日常识别，配合常识够用；
题干信息很全的问答——但你现在知道了，它可能主要在读题，不是在看图。
要多留一层心眼的：
精确空间判断：桌面上的左右关系、数清楚画面里有几个人几只杯子。这是内部3D表征最容易坍塌的灾区；
医疗、合同、质检这类高利害决策。李飞飞团队的研究里有个细节值得所有人警惕：远程医疗场景下，哪怕图片因网络问题没传上去，模型也不会报错，而是继续输出一份"专业诊断"——这种静默失败，必须有人工复核兜底；
训练数据里少见的新奇细节和反常识组合，文本先验帮不上忙的地方，正是容易翻车的地方。
接下来值得盯的三个信号
"去污染"评测会不会成为新标配。B-Clean这类清洗方法正在挤掉榜单水分，以后看到多模态跑分，不妨先问一句：把图拿掉，它还能答多少？
空间智能这条技术路线。SpatialSV证明了训练时注入显式几何约束有效——用开源3D模型自动生成监督信号，砍掉一半人工标注，就能把空间能力拉回接近全量标注的水平。知乎这也是李飞飞从V-JEPA到World Labs一路押注的方向。
模型厂商的回应。会不会有人把"无图测试"做成公开的透明度指标，值得观察。
最后留一句能当谈资的话：多模态大模型不是瞎子，但它的视力，远没有它的口才显示的那么好。下次再有人吹"AI看图比人强"，你可以反问一句：把图拿掉再测一次，它敢吗？
（注：文中李飞飞团队研究的具体数字来自社区对该研究的解读文章，原始论文口径以斯坦福团队发布为准；模型表现会随版本更新变化，结论对应2026年8月的现状。）
