这则资讯揭示了一个关键发现：当前生成式AI在韦氏成人智力量表改编任务中，言语理解和工作记忆飙到98%以上百分位，但知觉推理却跌到1%以下。这种极端分化绝非简单的“强项弱项”问题，而是反映了底层架构的深层次失衡。

从技术角度看，言语理解的高分并不意外——大模型本质上就是基于海量文本的统计模式匹配，对语言结构和常识性知识天然擅长。但知觉推理接近地板，说明模型在空间关系、因果链条的即时重构上存在根本性缺陷。我个人的经验是，让GPT解一道需要多步视觉推理的物理题，它经常给出逻辑通顺但结果荒谬的答案，这就是“言语包装”掩盖了推理空洞的典型表现。

这引出一个关键问题：如果我们要向通用智能迈进，是应该继续堆数据以提升推理能力，还是需要引入新的推理机制（如符号推理或因果模型）？另外，这种认知不均是否意味着当前模型在安全关键场景（如医疗诊断、自动驾驶）中并不可靠——毕竟“能说会道”不等于“真懂”？

从行业格局看，这提醒我们评估AI不能只看基准测试分数。未来，心理测量学框架可能成为模型能力评估的新标准，迫使开发者更关注认知架构的均衡性，而非单纯追求任务性能。大家觉得，这种“偏科”会通过微调改善，还是需要彻底重设计？欢迎分享实测案例。