刚看到这项研究，忍不住想聊聊。他们用韦氏量表的改编版测试了多模态模型，结果很有意思：言语理解和工作记忆直接飙到98%以上的人类水平，但知觉推理却掉到了1%以下——这差距堪比学霸考了语文满分、数学却不及格。从技术角度看，这种‘认知架构不均衡’暴露了当前生成式AI的致命短板：模型在模式匹配和语言生成上被过度优化，但真正需要抽象推理、空间操作的任务几乎瘫痪。

我个人经验里，跑过几轮类似推理测试（比如三维旋转或因果推断），模型确实经常给出看似合理但逻辑崩盘的答案。这让我怀疑，当前训练数据可能偏重文本和常识，而缺乏对‘非语言认知’的显式建模。

想请教大家两个问题：1）这种不平衡是否源于Transformer架构的先天限制，比如自注意力机制对空间关系天然不敏感？2）要改善知觉推理，是否需要引入类似神经符号的混合架构，还是强化多模态训练就能解决？

从行业格局看，如果AGI的瓶颈在‘认知多样性’，那单纯堆算力和数据可能走不通。未来真正的突破，或许不在参数量，而在如何让模型学会‘像人一样犯错’——即在不同认知维度上保持均衡的成长。各位有什么实战经验或想法？欢迎拍砖。