多模态大模型在语言推理上表现卓越，但纯视觉能力却停留在幼儿水平。BabyVision评测集通过388道精心设计的视觉题目，揭示了当前AI模型在基础视觉能力上的系统性缺陷，为具身智能发展指明方向。
智能速览
BabyVision测试显示大多数AI模型得分低于3岁儿童
最强模型Gemini3-Pro-Preview仅49.7%准确率，远低于人类94.1%
视觉能力被拆解为4大类22个子任务进行评测
模型在视觉追踪、空间感知等基础能力上普遍翻车
生成式作答可能是补齐视觉短板的新方向
精华内容
当问题无法用语言完整描述时，AI的视觉推理能力便暴露无遗。BabyVision评测集通过严格控制语言依赖，让模型直面最基础的视觉挑战。
测试结果惊人
BabyVision-Mini测试中，20道视觉题目交给不同年龄段儿童和顶尖AI模型。结果显示大多数模型得分聚集在明显低于3岁儿童的区间。Gemini3-Pro-Preview是唯一稳定超过3岁基线的模型，但距离6岁儿童仍有约20个百分点的差距。在一道连线垃圾分类题目中，孩子本能地沿线追踪，而模型即便写出大量推理文字，仍会把路径接反。
能力全面落后
BabyVision-Full包含388道题目，涵盖精细辨别、视觉追踪、空间感知和视觉模式识别4大类22个子任务。人类基线准确率达94.1%，而闭源最强的Gemini3-Pro-Preview仅49.7%，GPT-5.2为34.8%，开源最强模型Qwen3VL-235B-Thinking仅22.2%。差距是系统性的，四大类能力都在下滑，Count 3D Blocks等子任务甚至出现全员翻车。
四大核心挑战
模型面临的第一挑战是看不见非语言细节，如拼图中微小边界差异；第二是追线追丢，遇到交叉点容易换轨；第三是缺乏真正的空间想象，漏掉隐藏块或搞错投影关系；第四是图形规律归纳难，常把结构规则误读为外观统计。这些题目对人类来说不难，但模型一旦用文字复述视觉，信息就丢失了。
生成式作答探索
BabyVision-Gen让模型用画、圈、连线等方式作答，包含280道适合生成式作答的题目。测试显示，生成式推理在视觉追踪等任务上出现更像人类的行为，会真的画轨迹、做标注，但整体仍缺乏稳定到达正确解的能力。这为补齐视觉短板提供了新思路。
BabyVision的价值在于把看懂世界拆解成可测量的22个原子能力，清晰指出了差距所在。一个视觉能力低于3岁孩子的机器人难以在物理世界可靠工作。多模态模型要走向通用智能，必须补齐视觉地基：看得准、追得住、想得出、归纳得了。
