一项覆盖388道题目的系统性评测揭示：当前顶尖多模态大模型在基础视觉理解任务上的平均准确率仅49.7%，显著低于3岁儿童的平均水平（约65%）和成人基线（94.1%）。该发现直指AI感知层的根本性短板，为AGI发展提供关键反思坐标。
智能速览
BabyVision评测集首次以儿童发展心理学为标尺，构建388道视觉‘原子能力’测试题
Gemini 3-Pro-Preview得分最高达49.7%，仍比3岁儿童低约15个百分点，距6岁儿童差20个百分点
模型在视觉追踪、空间关系判断等基础任务上系统性失效，非单点错误而是能力缺失
人类受试者（本科以上学历）在完整评测中准确率达94.1%，凸显人机视觉鸿沟
评测识别出四类‘不可言说’挑战：空间连续性、局部-整体绑定、动态轨迹推断、跨模态对齐
BabyVision-Gen提出新范式：要求模型通过绘图、连线、描迹等具身化方式作答，而非纯文本推理
精华内容
当AI能解微分方程却认不出哪条线连向哪个图形时，问题已不在语言或逻辑层——它根本没真正‘看见’世界。BabyVision用发展心理学的标尺，第一次把多模态模型的视觉盲区清晰量化。
评测设计
BabyVision由红杉中国Xbench与UniPat AI联合发布，依据儿童视觉认知发展规律，将视觉智能拆解为形状识别、空间关系、运动推理、场景理解四大类，共22项原子能力。全部388道题目均经3-12岁儿童实测校准，确保难度梯度真实反映人类视觉发育进程。
题目全部采用无文字干扰的纯视觉形式，规避语言先验影响。例如‘连线追踪’题仅含两条弯曲路径与两个端点，要求判断对应关系，不依赖任何文本描述或常识推理。
所有题目经16名本科及以上学历成人重复测试，平均准确率94.1%，标准差仅2.3%，验证了评测本身的信效度。
性能落差
在BabyVision-Full完整评测中，表现最佳的Gemini 3-Pro-Preview得分为49.7%，Qwen-VL-Plus为45.2%，GPT-4V为42.8%。而3岁儿童组平均得分为64.3%，6岁儿童组达84.1%。
四大能力类别中，模型在‘运动轨迹推断’（平均31.6%）和‘局部-整体空间绑定’（平均38.9%）两项上失分最严重，较3岁儿童分别低32.7和25.4个百分点。
值得注意的是，所有模型在超过17类子任务中准确率低于50%，无一类别达到儿童组最低年龄组（3岁）的平均水平，证实缺陷具有系统性而非偶发性。
失败归因
分析显示，模型失败主因并非计算误差，而是底层表征缺陷：在需维持空间连续性的任务中，模型常将断裂路径误判为连通（错误率68.4%）；在双对象遮挡判断中，对‘谁在前、谁在后’的识别准确率仅29.1%。
更关键的是，这些错误无法通过增加参数量或训练数据缓解。对比同系列模型，参数规模提升3倍后，空间关系类得分仅提高4.2个百分点，远低于人类儿童同龄段年均提升12.6个百分点的速度。
研究指出，当前架构过度依赖CLIP式图文对齐，缺乏对像素级空间拓扑结构的显式建模能力。
新解法
BabyVision-Gen引入输出范式变革：禁止纯文本回答，强制模型生成可执行的视觉操作指令，如‘从红点开始，沿路径A画至终点’或‘用绿色圆圈标记被遮挡的三角形’。
初步实验表明，该方式使Gemini 3-Pro-Preview在轨迹类任务得分提升至61.3%，接近4岁儿童水平，但生成轨迹的几何保真度仍仅达人类手绘的73.5%（以Hausdorff距离衡量）。
这提示：让AI‘动手画’不是权宜之计，而是重建视觉表征的必要路径——就像儿童通过涂鸦建立空间概念，机器也需要具身化反馈闭环。
BabyVision不是一次普通评测，它划出了一条新的能力分界线：当AGI目标指向真实世界交互，视觉理解不能再是语言模型的附属功能。这条‘三岁基准线’提醒所有人，真正的智能必须从像素中生长出来，而非从文本中蒸馏出来。下一步，是追问：我们该重构视觉编码器，还是重新定义多模态学习的起点？
