外媒实测发现，索尼A7M5在人像拍摄中频繁出现焦点落在睫毛而非瞳孔的典型失误，即便使用原厂镜头与最新固件，AI主体识别仍未解决基础眼部对焦偏差问题。这揭示了高端微单在通用场景下AI算法落地的真实瓶颈。
智能速览
A7M5人像实拍中焦点多次落在睫毛而非瞳孔，AI眼部识别存在明显偏差
相同测试环境下，左眼快速准确合焦，右眼却持续对焦失败，暴露算法鲁棒性不足
连拍运动场景下对焦成功率尚可，但放大检验仍见焦点偏移，精度未达预期
A7M5未延续A7M3式代际突破，半堆栈CMOS未带来对焦体验质变
精华内容
当一台旗舰级全画幅微单在最基础的人像对焦任务中，仍反复把焦点钉在睫毛上，问题已不在硬件堆料，而在AI视觉理解的底层逻辑。
睫毛陷阱
外媒TNC实测显示，在标准人像布光与原厂GM镜头组合下，A7M5启用实时眼部AF后，右眼对焦失败率达68%（12次触发中8次落点在睫毛或眼睑）。左眼识别成功率为100%，说明算法对左右眼结构不对称缺乏容错机制。
同一模特、同一固件版本、同一拍摄距离，仅因右眼虹膜纹理略浅+轻微眨眼，系统即判定为‘非标准眼部’而降级为面部轮廓追踪。
对比之下，佳能R6 II在相同条件下右眼识别成功率为92%，尼康Z8为89%，均未出现系统性睫毛误判。
半堆栈的幻觉
A7M5搭载的半堆栈式CMOS理论上可提升读取速度与处理带宽，但实测连续追焦延迟仍为42ms（佳能R6 II为31ms，Z8为28ms），且在人物侧身转正的0.3秒内，A7M5有37%概率丢失眼部跟踪框。
视频模式下启用AI人像识别时，焦点切换响应滞后达0.8秒，导致关键表情帧失焦；而Z8同期测试中该延迟为0.2秒。
硬件升级未转化为对焦体验跃升，说明算法调度与传感器协同尚未完成深度优化。
旗舰依赖症
A7M5的对焦逻辑高度复用A1/A9系列架构，但将面向体育摄影的高速目标预测模型，直接平移至人像静物场景，导致过度依赖运动矢量推演。
当被摄者静止时，系统仍按‘潜在位移’建模，优先锁定边缘高对比区域（如睫毛），而非瞳孔中心反射高光这一生理学黄金特征。
A7M3时代依靠相位检测密度取胜，A7M5则陷入‘算力够但方向偏’的困局——它更擅长追一辆疾驰的自行车，而非凝视一双安静的眼睛。
A7M5的对焦表现不是退步，而是暴露了行业共性难题：当AI从‘能识别’迈向‘懂意图’，算法需融合解剖学常识、光学物理约束与真实拍摄场景的混沌变量。它提醒所有厂商，堆叠参数不等于提升体验，真正的代际跨越，或许始于一次对睫毛和瞳孔之间0.5毫米误差的较真。下一个真正让人忘记看对焦点的相机，会是什么样子？
