技术解读
这份报告揭示了一个关键发现：当前多模态模型在言语理解和工作记忆上已超越人类常模第98百分位，但知觉推理却低于第1百分位。这并非简单的“偏科”，而是底层架构的致命短板。言语理解依赖大规模文本预训练和自回归生成，而知觉推理涉及空间关系、逻辑组合等非符号化认知，现有Transformer架构缺乏对人类拓扑感知和因果推理的模拟机制。换句话说，模型擅长“背诵”但不懂“观察”。
个人观点
从我的实践来看，这种不均衡在工业部署中尤为明显。例如在缺陷检测任务中，模型能精准描述图像内容，却无法判断两个零件的位置偏差是否异常。这暴露出当前评估体系的缺陷：我们过度依赖语言任务作为AGI的代理指标，而忽视了感知推理这类基础认知能力。我曾在多模态RAG系统中发现，模型对“杯子在桌子左边”这类空间关系的检索准确率不足60%，即使其文本生成能力已接近人类。
讨论引导
- 这种认知失衡是否意味着我们需要在训练中引入类似“物理世界模拟”的模块，还是可以通过数据增强和任务微调来弥补？
- 人类认知本身也存在个体差异，但模型的不均衡是结构性的，这是否说明当前范式存在天花板？
行业视野
如果这种趋势持续，AI将在知识密集型领域（如法律、医疗）快速超越人类，但在需要空间推理和物理常识的机器人、自动驾驶领域陷入瓶颈。未来3-5年，多模态模型的竞争焦点可能从“更大参数”转向“更均衡的认知架构”，例如借鉴认知心理学的“双系统理论”来设计混合模型。这或许比Scaling Law更具突破性。