新基准开测「AI第六感」！人类一眼秒懂，最强模型只拿53.6分

　　新智元报道

　　AI 能读图表、做竞赛题、识别密密麻麻的文字，甚至用上万枚推理 Token，把一道视觉题分析得头头是道。

　　但它可能看不出：追公交的女人为什么突然慢了下来；两辆车之间还能不能再塞进一辆；会议室里谁最心不在焉；一排烧杯里，最后那个看不清的标签到底是多少。

　　这些问题，人类往往瞄一眼就有答案。

　　刚刚，Scale AI 联合 Elorian 发布了一个专门测试这种能力的新 Benchmark –Humanity’s Sixth Sense（HSS，人类第六感）。结果相当扎眼：20 名人类参与者拿到 93. 1%，当前榜首 GPT-6-astra 即使开到最大推理强度，也只有 53. 6%；25 个模型的中位数，更是只有 30. 9%。

　　HSS 论文： https://labs.scale.com/papers/humanitys-sixth-sense

　　Scale Labs 官方介绍： https://labs.scale.com/blog/introducing-humanitys-sixth-sense

　　HSS 实时榜单： https://labs.scale.com/leaderboard/hss

　　数据集： https://huggingface.co/datasets/ScaleAI/HSS

　　这不是一道「模型会不会做题」的小考。

　　HSS 真正追问的是：当 AI 走进汽车、家庭和办公室，它能不能像人一样，在事情被明确说出来之前，就读懂现场。

　　HSS 首发榜单。25 个多模态模型全部显著落后于人类。

　　AI 有视觉

　　却还没有「眼力见」

　　HSS 所说的「第六感」，不是超自然能力，而是人类每天都在使用的直觉式视觉推理。

　　看到一张图或几秒视频，我们不只识别「画面里有什么」，还会自动补全那些没有直接显示出来的信息：此前发生了什么、接下来可能发生什么、某个物体能否通过缝隙、谁知道什么、谁在服从谁，以及一个场景背后隐藏着怎样的规则。

　　这种能力快得惊人。认知科学研究显示，人类大约在 150 毫秒内就能完成自然场景分类，并同步提取物理动态、行为意图与社会结构。

　　现有视觉 Benchmark 却大多站在两个极端：一类考奥数、图表、学术知识等「专家级慢思考」；另一类考 OCR、目标识别、检测定位等底层感知。

　　夹在中间、对真实世界最重要的能力，反而长期没有被单独测量：人类不用列公式、也很难说清过程，却能一眼得到答案的视觉直觉。

　　HSS 把这块空白正式变成了分数。

　　522 道题，专门考画面没有明说的东西

　　HSS 包含522 道开放式任务，对应 288 张图片和 234 段视频，视频总时长 17.6 小时。题目被划分为 4 个大类、11 个子域：

　　时间与因果动态。模型要从当前画面反推过去，判断正在起作用的物理机制，或预测下一步会发生什么。例如，视频中一名女子把转辙器从右手边扳到左手边，这个动作让铁轨的道岔发生了什么变化？

　　物理与空间逻辑。模型要判断被遮挡的物体、质量与不可见的作用力，也要回答「放不放得下」、「换个视角会看到什么」「某个人够不够得着」。

　　社会理解。模型要推断人的信念、情绪、知识差和意图，也要读懂社会角色、规范与权力关系。例如，一名女子追赶公交车，跑着跑着突然放慢了脚步，原因是公交车停下来等她，她不必再冲刺了。

　　抽象与情境推断。模型要找出赋予场景意义的隐藏规则，包括变化带来的后果、排列中的规律，以及「在物体中看见脸」这类空想性错觉（pareidolia）。例如，一排烧杯上的标签依次是 40、50、60、70，最后一个模糊的标签该是多少？答案是 80。

　　HSS 四大任务域。每道题都包含图像/视频、问题、参考答案和评分标准。

　　最关键的设计是：答案不能直接出现在像素里。

　　高清放大就能看见答案的题，淘汰；需要专业知识的题，淘汰；人类无法形成一致判断的题，同样进不了正式测试集。

　　标注团队一共编写了 3466 道候选题，经过三轮独立审核，只留下 522 道，录取率仅 15.1%。仅第一轮就淘汰了 2302 道，最主要的原因，正是「答案其实已经在画面里」或「人类无法一致认可正确答案」。

　　评分同样严格：模型自由作答，没有选项可供排除；由 LLM 裁判（Claude-Opus-5）对照评分标准逐条打分，所有标准都满足才算答对。团队还用三家厂商的裁判重新评分了 5 个模型，排名完全一致，且未发现明显的「自家模型偏好」。

　　25 个模型集体失灵

　　榜首不到人类的六成

　　研究团队测试了来自 8 家厂商的 25 个多模态模型。

　　GPT-6-astra 以 53.6% 排名第一，其后依次是 GPT-6.1-sol（46.6%）、Claude-Opus-5.5（44.6%）、Gemini-3.8-flash（41.6%）和 Claude-Fable-5.1（40.8%）。其余模型全部低于 40%。

　　而人类是 93.1%。

　　更有意思的是「盲测对照」：当研究者把图片和视频拿掉，只让最强模型根据问题文本猜答案时，GPT-6-astra 的成绩暴跌到6. 6%。这说明 HSS 并不是在考语言套路，也不能靠常识模板蒙混过关。决定答案的证据，确实藏在视觉现场里。

　　视频尤其难。25 个模型中有 23 个在视频任务上表现更差，平均下降 7.3 个百分点。社会理解则是最薄弱的领域：21 个模型在这一项上得分最低，平均准确率只有 24.4%，而其他三个领域平均为 34.1%。

　　模型不是不会推理

　　而是没看懂

　　为了找到失败根源，研究团队对模型的 8573 次失败进行了逐项归因。

　　结论与「模型需要更强逻辑推理能力」的直觉几乎相反：94% 的失败来自感知或潜在信息推断，真正的逻辑推理错误只占很小一部分。

　　最常见的错误，是漏掉决定答案的关键线索（21.3%）；其次是认错物体、人物或角色（19.9%）；再往后是误判尺寸、距离和能否容纳（12.2%），看错朝向（12.0%），以及把二维遮挡误当成三维对齐（9.1%）。

　　不同子域的失败高度集中在「看错」和「没有从画面中读出隐含信息」。

　　而且，这些错误并非随机失误。在至少 5 个模型同时做错的题目中，中位数高达 80% 的模型会因为同一个原因失败。这意味着不同厂商、不同架构的模型，可能共享着相似的视觉盲区。

　　它们可以生成很长的思维链，却可能从第一眼就拿错了关键事实：认错人，看反方向，搞错遮挡关系；然后再花几千个 Token，把一个错误的前提推得越来越完整。25 个模型平均每题要用约 4000 个推理 Token。

　　提高推理强度总体有帮助，但并不稳定。在若干子域里，推理等级越高，成绩反而越低，峰值常常出现在中间档位。

　　当输入的世界模型是错的，「再想一会儿」并不会自动带来正确答案。

　　给模型配上 Agent，能补课，但补不出真正的空间感

　　研究团队进一步把模型放进 Claude Code 和 Codex，让 Agent 可以裁剪、放大、重新抽帧、搜索和反复检查视觉材料。

　　效果确实明显。在 388 题的子集上，Claude-Opus-5 从 30.8% 升至 51.3%，Claude-Fable-5.1 从 41.2% 升至 57.7%；GPT-6-astra 在 Codex 中从 54.4% 升至 59.3%，成为 Agent 设置下的最高成绩。

　　Agent 最擅长修复「再仔细看一遍就能发现」的错误：物体与角色识别错误从 181 次降到 147 次，朝向错误从 117 次降到 93 次，尺寸与适配判断错误从 137 次降到 105 次，漏掉关键线索则从 154 次降到 110 次。

　　Agent 能通过重新检查画面减少多类错误，但对三维深度判断几乎无能为力。

　　但一个数字暴露了边界：把二维重叠误判为三维对齐的错误，只从 102 次降到 101 次，几乎没有变化。

　　这类失败不是「图没放大」，而是模型缺少稳定的三维空间表征。Agent 可以拿起放大镜，却不能凭空长出人类的空间直觉。

　　更值得警惕的是，Agent 设置中的少数逻辑错误反而增加了。工具调用和反复思考能修复浅层观察，却也可能带来新的推理路径偏移。

　　所以，Agent 并不是 HSS 问题的终点，更像一次诊断：视觉工具可以缓解「没看清」，却解决不了「没看懂」。

　　多模态 AI 的下一道墙

　　过去几年，多模态模型的进步常常表现为会读更多文字、会解更难的题、能处理更长的视频。

　　HSS 提出了另一条坐标轴：一个模型是否拥有对真实世界的直觉。

　　这条轴对现实中的 AI Agent 尤其关键。家用机器人需要在孩子摔下楼梯之前，就注意到他正朝台阶挪去；自动驾驶系统需要判断车辆能否通过，而不是只识别出「前方有两辆车」；办公室助手需要读懂谁在发号施令、谁没听懂，以及一句客套话背后的真实意图。

　　这些能力都不能等到世界把答案写成字幕。

　　HSS 的意义，也不只是再做一张新榜单。它把长期被笼统称作「常识」「世界模型」或「社会智能」的问题，拆成了可测量的时间、空间、社会和抽象推断能力；又进一步用失败归因告诉研究者，瓶颈究竟发生在哪里。

　　从结果看，下一代多模态系统可能需要的不只是更长的思维链，而是更可靠的对象与角色绑定、更稳定的三维表征、更连续的时间建模，以及从真实交互中获得的社会与物理经验。

　　今天的模型已经能对一张图侃侃而谈。但 HSS 提醒我们：会描述世界，不等于理解世界；会推理，也不等于拥有直觉。

　　在人类 93.1% 与模型 53.6% 之间，隔着的不是一道更难的考试题，而是机器真正走进现实世界之前，必须补上的那一眼。

　　参考资料：

　　https://labs.scale.com/papers/humanitys-sixth-sense

　　编辑：LRST