3月30号，斯坦福李飞飞团队的论文一出，恐怕要在整个“多模态”领域炸开一道口子。题目就叫《海市蜃楼：视觉理解的幻象》，光读标题就知道，这事儿不小。

他们的发现，简单说就是：GPT-5、Gemini、Claude这些我们眼里的“学霸”模型，根本就是个“睁眼瞎”。

怎么证明呢？团队在六个跨医疗和通用场景的基准测试里，让GPT-5.1、Gemini-3-Pro、Claude Opus 4.5以及Gemini-2.5-Pro逐一上阵。然后，最关键的一步来了——他们**悄无声息地，把所有图片都撤掉了**。没有照片、没有扫描报告、没有X光片，一张不留。没有警告，连提示词都没改。

结果你猜怎么着？模型们竟然浑然不觉，完全没发现眼睛前已经一片漆黑。

它们依然像模像样地“看”着图片，详细描述画面内容，煞有其事地诊断病情，书写出一整条逻辑严密的推理链条，并且……准确率依然保持在惊人的70%到80%。所有的分析，全都建立在对一张根本不存在图像的空想之上。

论文将这种现象称为 **“海市蜃楼效应”（Mirage Effect）** 。

研究团队坦言，这比我们常说的“幻觉”（Hallucination）要可怕得多。幻觉，好歹是针对真实输入编造细节。而“海市蜃楼”，是模型凭空构建了一整个虚假的现实，并自信满满地以此为基石进行深度推理。它构造出虚构的X光片，描述假想的结节，诊断出子虚乌有的疾病——一切都只是文本模式的华丽舞蹈。

但真正的“王炸”还在后面。

为了验证问题有多严重，他们训练了一个纯粹的“文本猜测大法”——一个只有30亿参数的纯文本模型，零视觉能力，真正意义上的“盲人”。他们在含69.6万个问题的大型胸部X光基准集上对其进行微调，核心操作依然是：**移除所有图像**。

就是这个“超级猜测器”，它没有任何视觉输入，却打败了GPT-5、Gemini、Claude，甚至**击败了真正的放射科医生**！

在隐藏的测试集上排名第一——这个“第一名”，从未看过任何一张X光片。它生成的推理逻辑，与真实视觉分析的结果，在文本层面毫无区别。

更让你细思极恐的还在后头——当这些模型进行“虚假观看”时，它们的“海市蜃楼式”诊断会极其危险地**严重偏向于最致命的疾病**：ST段抬高型心肌梗死（STEMI）、黑色素瘤、癌。它们对着根本不存在的图像，做出可能危及生命的诊断。要知道，每天有超过2.3亿人在ChatGPT上询问健康问题。

研究还发现了一个反常现象：如果你明确告诉模型“这里没有图片，你随便猜吧”，它的性能会立刻下滑。但如果悄悄移走图片，让模型误以为图像还在，它的“海市蜃楼”诊断能力反而能保持高位。

这意味着，模型一旦进入“海市蜃楼模式”，它就不知道自己是“瞎”的。而这种“不知道自己看不见”的状态，反而让它表现得像“看得见”一样好。

论文最后还补了一刀：当团队用他们的清理方法（B-Clean）去审视现有的基准测试时，发现74%-77%的测试样本都被判定为无效。

换句话说，**四分之三的“视觉”基准测试，根本不是在测试视觉**。

我们看到的那些排行榜，所有所谓的“多模态突破”，所有令人振奋的基准测试分数，有多少是建立在这样的“海市蜃楼”之上的？

这个问题，恐怕需要整个领域重新思考了。