BabyVision评测评测：三岁幼儿使用多模态大模型实操指南
1月12日，红杉中国旗下测评体系xBench与UniPat AI团队联合发布了全新的多模态理解测评集BabyVision。这一测评集旨在系统评估大模型在不依赖语言提示下的纯粹视觉基础能力。测试结果显示，当前主流多模态大模型在该测评中的整体表现，普遍落后于三岁幼儿的水平。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
该测评集将视觉能力划分为精细辨别、视觉追踪、空间感知和视觉模式识别四大类别，共涵盖22项子任务、388道题目。测评严格控制了语言依赖，确保题目信息无法被完全“文本化”，从而真实考察模型对视觉内容的理解能力。
最终测评结果显示，在BabyVision-Full测评集上，研究团队引入了人类基线作为参照：由至少16位具备本科背景的测试者完成了全部388道题目，人类平均准确率达到94.1%。
再看各大模型的表现：表现最佳的开源模型Gemini 3 Pro Preview准确率为49.7%，GPT-5.2为34.8%，国内模型Doubao-1.8为30.2%，开源模型Qwen3VL-235B-Thinking则为22.2%。多数模型的得分明显低于三岁儿童的平均水平。
研究团队指出，许多视觉信息本质上是“不可言说”的，一旦被压缩为语言描述就会丢失关键细节，导致模型在需要连续追踪、空间想象、几何归纳等任务中表现显著落后。为此，团队同步推出了生成式测评版本BabyVision-Gen，要求模型以绘图、标注等视觉方式作答。现阶段得出的结论是：
生成式推理在视觉追踪、精细辨别等多模态模型容易出错的任务上，展现出了更接近人类的行为模式，但整体仍然缺乏稳定达到完全正确解的能力。
BabyVision的发布，为多模态大模型与具身智能的发展提供了可量化、可诊断的评估工具，显示出当前视觉基础能力仍是AI迈向通用智能的关键短板。
相关攻略
IT之家 4 月 1 日消息，谷歌 DeepMind 昨日推出 Veo 3 1 Lite 视频模型，是该公司迄今为止最实惠的视频生成工具。最新数据显示，Lite 版的生成速度和 Fast 版本保持一
今天傍晚，DeepSeek再度出现服务异常，社交平台上不少用户反馈，对话过程中频繁遭遇“请检查网络后重试”或“服务器繁忙”等提示。目前，服务已恢复正常。这是三天之内DeepSeek第二次发生服务故障
3月29日晚至30日上午，在经历长达12小时的宕机后，DeepSeek“崩”上热搜。大量用户反映网页端和App提示“服务器繁忙”或无法响应，据了解，这是DeepSeek有史以来最长的一次“罢工”。而
IT之家 3 月 31 日消息，小米创办人、董事长兼 CEO 雷军今日分享了 MiMo-V2-Pro 大模型最新“战绩”。在大模型权威评测榜单 Text Arena，MiMo-V2-Pro 凭借在复
3月31日，苹果于今日凌晨开始分批推送国行Apple Intelligence Beta版，需升级至iOS 26 4及以上系统方可体验。彭博社记者马克·古尔曼今日发文称Apple Intellig
热门专题
热门推荐
《全面战争：中世纪3》：经典延续，如何平衡怀旧与创新？ 近期，《全面战争：中世纪3》的项目负责人帕维尔·沃伊斯坦然指出，要打造一款真正优秀的续作，绝不能仅仅依赖对前作模式的简单复刻。这一观点引人深思——尽管《中世纪2：全面战争》至今仍在策略游戏爱好者心中占据着经典地位，但开发团队此次显然决心跳出“照
雷鸟X3 Pro斩获AWE艾普兰创新大奖，开启全民AR生活新篇章 在上海新国际博览中心隆重揭幕的2026年中国家电及消费电子博览会（AWE）上，前沿AI科技与未来生活愿景激情碰撞。全球消费级AR领导品牌雷鸟创新，以其里程碑式的表现，定义了行业发展的新方向。 通过“顶尖硬件科技+顶级文化IP”的双轨战
借力AWE2026“一展双区”，MOVA双区协同、震撼登场 备受瞩目的科技盛会——2026年中国家电及消费电子博览会（AWE），于3月12日至15日在上海盛大举办。本届AWE展会首次创新采用“一展双区”的展览模式，主会场位于上海新国际博览中心，分会场则设于上海东方枢纽国际商务合作区，两大展区高效联动
冰结师技能全解析 踏入2026年，《地下城与勇士》中的冰结师职业，其技能体系已构建得更为成熟与强大。无论是在副本中高效清理海量怪物，还是在决斗场与高手玩家周旋，这个职业都能凭借其独特的冰霜艺术掌控战局。刷图时，酷寒的范围法术可瞬间清屏；而在PVP竞技中，一套将冻结控制与瞬间爆发完美衔接的连招，往往让
iPhone 18 Pro系列模具不变，屏幕形态将与iPhone 17 Pro保持一致 备受期待的屏下Face ID组件小型化设计与灵动岛区域缩窄方案，预计将被推迟至后续迭代机型中正式应用。 近期，关于iPhone 18 Pro系列的技术传闻持续引发行业关注，尤其在显示与解锁设计领域传言甚多。多方消