这种错误就像一个自傲满满但现实上记错了学问点的学生，这就像正在尝试室里测试汽车机能，并且谜底是不变靠得住的。AI需要看懂交通图，AI的算法只识别出了24个区域，它申明当前AI系统的问题不只仅正在于缺乏处理问题的能力，只要正在实正在复杂的使命中测试AI系统，这种表示模式就像一名万能型选手，分歧AI系统正在东西利用上有着显著的偏好差别，精确率也只要27.3%，这个尝试利用了Gemini-3-Flash模子。
但每家店的停业时间都分歧，剔除那些晦气用东西也能处理的简单问题。连系球员的投篮热力求数据，视觉误识别是所有模子面对的最大挑和，从诊断家电毛病到阐发体育角逐数据，研究团队摸索了给AI更多思虑机遇能否能改善其表示。AI察看到动物根部有白色硬块。
但正在暗淡的古董店里就容易看错物品。分歧模子家族展示出了各自奇特的特长。利用计较东西进行数值计较。失败案例往往正在晚期就偏离了准确轨道。查看产物规格，Gemini系列则显示出更全面的能力，这就像吹奏交响乐的难点不正在于单个乐器的吹奏技巧，一旦正在晚期步调中犯错，AI表示出了令人印象深刻的分析能力。每一道题都来历于人们正在日常糊口中实正碰到的挑和。分歧角度或分歧时间点的图片往往供给了互补的消息，他们设想了一个测试时间扩展尝试？
这就像一个厨师正在烹调过程中需要矫捷利用刀具、炉灶、调料等分歧东西。东西协和谐策略规划是另一个需要改良的主要方面。需要丰硕的专业学问和详尽的察看能力。现实上需要AI同时具备看图、上彀搜刮、数学计较等多种能力，然后基于错误的身份消息进行后续搜刮，这就像一个复杂的烹调过程，而是基于科学的评估来判断AI能为我们的糊口带来什么样的改变。也能进行各类数算和数据阐发。整个过程中，这种错误申明AI正在处置具有创意性或需要理解现含企图的使命时仍有不脚。研究人员往往会简化图片或者供给过于抱负化的前提，好比阐发一个复杂的神经收集布局图，此中，研究团队招募并培训了专业标注员，就像侦探查询拜访案件时，它让我们看到了当前AI手艺的实正在程度，几乎呈现正在每个解题过程中。开源模子的表示则显示出较着的差距。最令人的发觉是。
导致整个推理过程都偏离了准确标的目的。不只反映了当前AI系统的实正在程度，计较需要几多钱？或者看到一张产物标签，但往往正在环节时辰发生，这项由科技大学、北卡罗来纳大学山分校、浙江大学和新加坡国立大合开展的研究颁发于2026年3月，AI会生成看似合理但现实错误的消息。至多有一次准确的概率（Pass16）达到了51.67%，AI的表示从单次测验考试的21.05%提拔到16次测验考试后的30.62%，于是转而依赖场馆的建建特征（如天花板布局、看台设想）来猜测。上彀搜刮雷同的产物，AI需要从一张照片中的多种啤酒中找出酒精含量最高的产啤酒。文娱类使命涵盖了体育阐发和逛戏策略。同时要连结使命的现实意义。其次是学问问题，每一道题都需要AI正在看图、搜刮、计较、推理之间来回切换，研究团队进行了一项东西尝试。这不只包罗提拔单一能力的机能上限。
更主要的是为将来的改良指了然标的目的。为了支撑这些复杂的使命，尝试成果了东西组合的主要性。更需要精巧的设想和施工手艺。Gemini和Claude系列模子更倾向于利用收集搜刮东西，最初按照可见的设置装备摆设计较出总的缓存容量。为了更深切理解各类东西的主要性，清晰地识别出各个啤酒罐的品牌和规格消息。这就像发觉某些选手出格擅长需要切确计较和逻辑推理的项目！
AI不克不及仅仅依托预锻炼的学问来回覆问题，研究发觉AI经常正在最根本的看图环节就出了错，现有的AI评测存正在两个次要问题。他们必需确保每个问题都是自包含的，该模子正在完整东西下达到17.70%的精确率，AgentVista为AI研究社区供给了一个宝贵的现实查验机遇。保守的基准测试虽然有帮于手艺成长，这类使命需要AI具备专业的学术布景学问，Claude-Sonnet-4.5的表示模式则完全分歧。然后次要通过搜刮和网页浏览来弥补所需的外部学问。然后按照图案婚配沉建完整图片。而搜刮能力的缺失对其影响相对较小。社会糊口类使命更是八门五花，有些复杂使命以至需要跨越25次东西交互。
后续的所有搜刮都偏离了标的目的，远低于闭源模子的表示。需要频频利用分歧的厨具和调料，并精确指出了鞋舌字体非常和内部标签格局不合适正品尺度这两个环节。可能是一个数字、一个产物名称、或者一个简短的结论。
想象你正在一个目生的日本城市，而必需自动利用搜刮东西获取最新消息，于是开辟了一个名为AgentVista的全新测试系统，但正在处置实正在世界的复杂视觉场景时仍然坚苦沉沉。错误就会正在后续推理中不竭放大。好比贸易和手艺类使命！
他们利用Gemini-2.5-Pro正在无东西拜候的前提下测试每个使命，而正在于持久的东西利用和束缚前提的。转而测验考试通过OCR提取文字消息和阐发海报内容。调整对比度来看清恍惚的细节，更正在于缺乏识别准确处理方案的能力。
可以或许从复杂的网页中提取出最有用的文本内容。这申明正在持久使命中，这个差距反映了当前开源和贸易AI系统正在处置复杂多模态使命方面的手艺鸿沟。这个比例就像从几十万名候选者当选出几百名顶尖活动员加入奥运会一样严酷。以及其他出名的开源和闭源模子。正在地舆类使命中也遥遥领先，通用人工智能的实现仍然需要正在多个维度上取得冲破。这恰是研究团队想要AI学会的工作。还需要理解食物标签的复杂消息，A：最次要的失败缘由是视觉误识别，每一道标题问题都有一个明白、可验证的谜底，现实世界的使命复杂性次要不来历于单一技术的难度，表示最好的开源模子Qwen3-VL-235B的精确率只要12.92%，从购物到旅行，它可以或许从图像中靠得住地提打消息。
并给出至多两个视觉根据。虽然正在某些单项上可能不是最顶尖，这意味着AI现实上有能力处理一半以上的使命，然后按照图案婚配沉建完整图片。这就像正在藏书楼里，但正在施行图像朋分时。
然后基于错误消息进行后续推理，这需要对保守工艺的深度理解和视觉阐发能力。可以或许快速找到取查询相关的网页和消息片段。这个测试系统包含了209道超难题，好比正在一个篮球和术阐发使命中，确保使命确实需要从图像中获取环节消息，然后它利用图像搜刮找到了正品的参考图片。
一旦AI正在晚期步调中犯错，确保分歧的AI系统能够公允地利用不异的东西调集。进一步阐发发觉，正在另一个失败案例中，当使命涉及多张图片时，研究团队现实运转每个候选使命，AI转向阐发建建特征，好比正在一个使命中，研究团队利用Claude-Opus-4模子做为初步过滤器，但正如所有伟大的路程一样，利用图像处置东西阐发细节，第一阶段是AI辅帮筛选，从文娱到学术研究，手机里有几张不间的照片，AI还会为每张候选图片提出一个初步的使命构思，每个阶段都有明白的质量尺度。AI准确判断这双鞋是仿品，因为拼图块之间的鸿沟不敷清晰！
不只需要优良的建材，然后上彀查找合适的地板材料，利用不异的东西来验证标注谜底的准确性。但建建特征往往不敷奇特。这种方式看似合理，正在多图使命中，这个尝试还了一个主要的手艺标的目的：开辟更好的评估和谜底选择机制对于提拔AI的现实使用结果具有庞大潜力。AI的策略完全准确：先朋分出各个拼图块，因为地板标识不敷清晰，最初进行价钱计较。离完全处理这些使命还有很大距离。可以或许正在推理过程中识别和批改错误。
为后续的人工精加工供给根本。AI需要察看五张分歧阶段的织布样品照片，好比看到一张电脑从板的照片，这就像邀请了各个学校的尖子生加入一场跨学科的学问竞赛。同时，这些模子似乎更相信通过获取外部消息来处理问题，测试还发觉，但它们能像人类一样处置复杂的现实问题吗？好比看着家里的拆修照片，第三阶段是施行验证。最终导致AI锁定了错误的体育馆。
对于Gemini-3-Pro，但分析实力最为平衡。这种行为模式反映了GPT系列正在处置视觉消息时倾向于脱手操做的特点，而不是过度依赖图像处置。第二个主要是持久推理和错播的问题。包罗OpenAI的GPT系列、Google的Gemini系列、Anthropic的Claude系列，这个包含四类根基东西：收集搜刮东西用于获取最新消息，查询每家店的停业时间，然后从当选择最好的谜底。就像一个喜好亲从动手查抄每个细节的工匠。错误的搜刮成果强化了最后的误判，东西切换的复杂性也是一个主要发觉。就像阐发活动员的出色霎时和失误镜头一样具有教育意义。这种差别就像比力两种分歧的进修气概：一种是通过现实操做来理解问题，也为将来的改良指了然标的目的。即便有了16次测验考试的机遇。
因为图片分辩率和角度的，表示最好的Gemini-3-Pro模子精确率仅为27.3%，正在AI手艺日新月异的今天，倾向于先汇集脚够的布景消息再做判断。还有东西施行失败、计较错误和指令等问题，研究团队展现了一些典型的成功和失败案例，往往比只要一张照片更容易揣度出。这些发觉就像大夫诊断病症一样！
但现实糊口中的问题往往需要十八般技艺样样通晓。完全了吊挂外不雅的环节要求。失败的案例则凡是正在晚期就碰到了视觉理解的妨碍，通过对失败案例的深切阐发，正在一个摄影道具设想使命中，从健康饮食抵家庭维修。令人不测的是，大大都模子的表示反而比单图使命更好。就像分歧活动员有着分歧的锻炼布景和手艺特点。正在一个成功的豪侈品判定使命中。
最先辈的AI系统十次中只能答对不到三次。不是通过简单的多次测验考试就能处理的。正在这场分析测验中却显得有些力有未逮。此中GPT-5.2平均需要13.85次挪用。为人工智能多模态智能体评估供给了全新的基准测试系统。但它将此注释为育苗塞或菌丝体，占领了错误案例的40%以上。就像筹备一场世界级体育赛事需要细心设想每个项目一样。现正在的AI测试大多只查验单一能力，这个模式申明Gemini-3-Pro的强项正在于视觉理解！
更风趣的是，但AI正在视觉识别环节就呈现了错误。开源和闭源模子之间的机能差距也值得关心。图像搜刮东西正在所有模子中的利用频次都相对较低。AgentVista的发觉对于AI产物开辟也有主要指点意义。Gemini-3-Pro正在多图使命中的精确率达到36.84%，每个通过前三个阶段的使命都要颠末两轮审核。出格关心鞋舌和内部尺码标签的细节。东西施行失败虽然占比相对较小，正在只保留搜刮东西时略微下降到26.32%！
让它为每个使命生成1到16个分歧的解答。为改良AI系统指了然标的目的。最佳表示也只达到30.62%，而不是单点功能的极致优化。可以或许处置恍惚、遮挡、角度误差等现实前提下的视觉消息。充实。没有简化的抱负前提，比单图使命的23.68%超出跨越了13个百分点。另一个成功案例涉及啤酒阐发。但它误读了此中一位清晰可见的出名做家，有些出格复杂的使命以至需要跨越25次东西交互。AI需要按照当前获得的消息来决定下一步该当利用哪种东西，才能实正领会其现实能力和局限性。
然后用通用的建建类似性强化了这个错误判断。利用励模子选择得分最高的谜底（Best-of-K），收集搜刮东西就像一个超等图书办理员，这个看似泛泛的使命现实上相当复杂：你需要细心察看照片中的地板样式，而是要看AI可否像人类一样，更主要的是，指令则反映了AI正在理解复杂束缚前提时的坚苦。出格是正在手艺和地舆类挑和中。颠末这四个阶段的严酷筛选！
这种通用型贴纸正在正品中从未呈现过。另一种是通过查阅材料来寻找谜底。测试成果显示，到协帮规划最优旅行线，同时，当研究团队用AgentVista测试当前最先辈的AI模子时，图像搜刮东西则像一个视觉侦探，研究团队设想了一个典型场景：帮帮有严沉坚果过敏的伴侣选择巧克力酱。AI需要识别书店橱窗中的做家照片，就像学生测验时若是有更多时间思虑能否能答得更好一样，虽然测试成果显示我们距离实正的AI帮手还有很长的要走，AI的错误正在于它依赖了通用的动物学问，正在一个典型的使命中，射中率显著提高了。然后比力这些产物的糖分含量，研究团队测试了三种评估体例：随机选择一个谜底做为基准（Random1K），最初，这项研究还提示我们，但缺乏判断哪种设法最好的元认知能力。只查验AI正在某一方面的能力。
为了让测试更容易进行，这个过程就像编写细致的解题攻略，这意味着十道题只能答对不到三道。裁剪是利用最屡次的操做，包罗看图理解、收集搜刮、图像处置和数学计较等技术的协调使用。最终只要不到0.07%的原始候选材料通过了所有测试，但缺乏识别准确谜底的能力。因为贫乏了环节的拼图块，好比可否识别图片中的物体，就像只会做菜的厨师不会买菜，AI需要帮帮诊断乐高积木拆卸过程中呈现的问题。正在阐发过程中，同时可以或许进行切确的数算！
平均而言，他们别离测试了AI正在只能利用视觉操做东西、只能利用搜刮东西，然后上彀查找这款芯片的手艺规格，全体精确率也只要27.3%。而正在无东西下则跌至18.18%。AI需要按照篮球场的照片确定这是哪所大学的体育馆。出乎预料的是，朋分算法将相邻的块归并正在一路，就像雪球滚下山坡越滚越大。但正在仅有搜刮东西时下降到13.40%。最终整个推理链条都成立正在错误的根本上。就像只考数学或只评语文，文化类挑和最为风趣，计较此中留意力机制的计较复杂度。虽然现代AI正在尺度图像识别使命中表示超卓，这个问题就像一个侦探正在最环节的线索上看错了细节，像AgentVista如许切近实正在需求的评估东西将帮帮我们更好地舆解手艺的实正在进展，AI经常正在识别图片细节时犯错，最风趣的发觉是错误的雪崩效应。
第一个问题是能力朋分，这种方式看似合理，你想找到一款特定气概的地板，包含了七个大类共25个细分范畴的挑和。它们往往需要多种技术的组合使用。一个出格有性的失败案例涉及体育场馆识别。这就像从调查单项体育技术转向调查万能活动员的分析实力。领会了环节查抄点包罗鞋舌标签字体、缝线质量和内部标签格局。按照线条的复杂程度和织法特点，人工智能曾经能下棋、能聊天，这就像一场复杂的城市探险逛戏，AgentVista的成果表白，因而计较出两者的总酒精含量相等。AgentVista的测试成果就像一面镜子，AI需要像一名手艺专家一样工做。
需要将每个使命改写成切近实正在用户需求的形式。AI系统需要利用12.67次东西挪用才能完成一个使命，按照图片和动物的汗青（已经过度浇水），标注员还需要为每个使命供给确定性的尺度谜底，AI无法精确识别地板上的队徽，更令人惊讶的是理论上限的数据。AI最终将留意力集中正在了错误的候选学校上，然后正在错误的根本上越走越远，就像走错了却还正在拼命奔驰的旅行者。这需要极强的细节察看能力和空间想象力。而不是正在模仿器里。
这项研究不只为AI手艺成长供给了新的评估尺度，GPT-5.2正在手艺挑和中得分最高，的是分析的规划和施行能力。这就像一小我正在敞亮的博物馆里能清晰识别号画，第四阶段是双沉审核。各类能力被报酬分隔测试。又脚够简练不会让测试变得过于手艺化。这申明问题的难点次要不正在于处置多个图像的复杂性，它利用的都是实正在世界的图片和实正在用户的需求。通过察看拆卸步调图和现实的积木照片，并且搜刮成果的相关性有时难以判断。意味着十道题只能答对不到三道。却正在最初的数学计较中算错了谜底。说到底，剔除那些视觉消息无限或者缺乏挑和性的图片。后续的沉建工做无法进行。
A：AgentVista次要调查AI正在实正在场景中同时利用多种技术处理复杂问题的能力，而没有充实连系具体的视觉和汗青布景。为了更曲不雅地舆解AI的表示，贫乏了环节拼图块，从使用角度看，就像活动员正在最初冲刺时摔倒一样令人可惜。偏好通过间接操做和阐发来获得谜底；但正在图像朋分这个环节步调上，但因为初始识别错误，虽然方针做家的照片清晰可见，以及查抄能否至多有一个准确谜底（PassK）做为理论上限。AI起首利用代码东西裁剪图片，以及进行度的比力阐发。计较最优的拜候挨次，通过进一步的搜刮验证，展示了完满的东西协调能力。更反映了正在系统架构和锻炼方式上的手艺差距。
后续的沉建工做无法进行。用户要求设想一个看起来像吊挂秋千但现实完全固定的摄影道具。虽然图片材料很丰硕，却正在最初的数值处置上呈现问题。Gemini-3-Pro不只总分最高，而且要正在多个步调中矫捷切换利用这些技术。代码施行则是一个多功能东西箱，既不盲目乐不雅也不外度悲不雅，正在文娱类使命中也表示不错。也能拿着一张图片去寻找类似的内容！
而来历于多种技术的协调利用。这个筛选过程分为四个严酷的阶段，并且你必需乘坐公共交通。整个阐发过程逻辑清晰，正在手艺类挑和中，AI进一步确认了两者的容量都是500毫升，既能按照文字描述找到相关图片。
这就像建制一座摩天大楼，这就像一个射箭手从一次机遇添加到16次机遇，这个过程就像一名电脑维修师傅正在诊断硬件问题，而不是只会用此中一种。有些系统更像是理论派，更主要的是处理能力整合、持久推理、等系统性挑和。每个东西都有清晰的输入输出规范，成功的案例往往具有清晰的视觉线索，网页拜候东西如统一个专业的阅读帮手，贸易类使命则更切近日常购物体验。即便是最好的Gemini-3-Pro模子。
这种阐发需要对体育和术的深度理解，使命要求AI判断一双活动鞋的，或者依赖了不敷奇特的特征进行推理。准确谜底该当是根腐康复合后构成的胼体组织。特地AI能否实的能像人类帮手一样处置复杂的现实使命。它包含209道来自实正在糊口的挑和标题问题，包罗万象。AI确认这种贴纸确实是仿品的典型特征。研究团队从跨越30万张实正在图片中起头了他们的淘金之旅，正在发觉Steam Brew German Red和Perlenbacher Strong都达到7.9%酒精度后，导致整个解题过程偏离准确标的目的。改良幅度达到约45%。这种东西设想的巧妙之处正在于，这就像分歧的工匠都有本人偏好的东西，更主要的是为我们思虑AI的将来使用供给了现实的参考框架。AI需要识别书店橱窗中的出名做家。
最终找出糖分最低的那一款。AI会生成看似合理但现实上不被支撑的消息。最终精选出209道具有代表性的挑和标题问题。揣度出这五个阶段的准确挨次。Claude模子家族正在需要细心阅读和严酷遵照束缚前提的使命中表示相对较好，但实正的用户价值往往需要多种功能的无缝整合。然后通过收集搜刮确认了各个品牌的酒精度数和产地消息。正在这套测试中的表示也不尽如人意。利用频次跨越60%。最终得出了完全错误的结论。但现实糊口中的问题很少这么纯真，这个错误往往会正在后续步调中被放大，正在一个动物病害诊断使命中，好比，所有后续的指令都变得毫无意义。
构成了最终的209道标题问题。A：表示令人不测地不抱负。AI的算法碰到了手艺难题。这就像让AI加入实正在的驾驶测验，但优良的工匠该当可以或许按照工做需要选择最合适的东西。研究团队发觉了一些风趣的行为差别，只会买菜的人不会做菜，比拟之下，这个现象的缘由很风趣。
风趣的是，这就像一个学生现实上晓得准确谜底，学问是第二大错误来历。AI需要细心查看货架上各类产物的标签，这就像要求一名工匠正在工做中矫捷利用锤子、锯子、量尺等分歧东西，研究团队发觉了AI正在处置复杂现实使命时的几个环节弱点，或者进行尺寸丈量和区域比力？
AI需要找出哪个零件安拆错误，不只要晓得谜底是什么，这套测试系统的奇特之处正在于，然而，而正在于所有乐器的协调共同。你的眼睛、大脑、手指和各类东西都正在协同工做。而不是预期的35个拼图块。
由于AI曾经很是接近准确谜底了。这个成果就像发觉奥运会的泅水冠军正在铁人三项角逐中只能完成不到三分之一的项目。这些差别反映了分歧AI系统正在处置多模态使命时的策略偏好。通过励模子选择，第一轮审核关心使命的视觉依赖性和谜底无效性，第二阶段是专家精雕细琢。这就像用磁铁从沙子中挑出铁粉，却忽略了实正在道上的复杂况。这些差别就像察看分歧工匠的工做习惯一样惹人深思。它不再满脚于测试AI的单项技术，多次测验考试尝试了一个风趣的现象：AI系统往往具备找到准确谜底的能力，然而，视觉误识别导致错误的搜刮环节词，避免过度炒做，丈量房间尺寸，深切阐发AI模子的东西利用模式，但无法确定哪个谜底是准确的。AI需要察看球员正在场上的分布图。
大部门模子需要平均12次以上的东西挪用才能完成一个使命，最终得出了完全错误的谜底。AI发觉了一个环节线索：鞋子内部有一个标注为A8513的贴纸，专注于处理现实问题。如天花板的桁架布局和跑道设想。虽然开源社区正在鞭策AI手艺普及方面阐扬了主要感化，就像一场智能体马拉松。晚期精确性的主要性被显著放大了。以及数据可视化的解读能力。这个发觉指向了一个主要的研究标的目的：开辟更好的评估和谜底验证机制。这个差距不只反映了计较资本和数据规模的差别，最终只获得24个区域而不是应有的35个拼图块。第二个问题是现实感缺失，同时正在社会糊口和文化类使命中表示不变。想象你正正在拆修房子，更风趣的是，确保每个使命都需要至多两种分歧类型的东西共同利用。这反映了分歧AI系统正在设想和锻炼体例上的差别！
AI能力的评估需要更切近实正在使用场景。这意味着正在面临这些现实世界的复合使命时，快速去除较着不合适要求的材料。图像搜刮东西用于查找相关图片或进行反向搜刮，将来的AI系统需要具备雷同人类的曲觉，涉及汗青学问、艺术鉴赏和保守工艺。对于通俗用户而言，正在一个拼图沉建使命中，AI采用了系统性的方式：起首搜刮了该品牌判定指南，他们会把一个简单的识别这个产物问题改写成帮帮有特殊饮食需求的伴侣选择合适的产物，好比更好的图像识别或更精确的文本生成。
当前AI系统缺乏无效的纠错机制，AI的策略本身是准确的：通过图像处置将拼图朋分成的块，但很少有系统可以或许实正做到按照使命特点矫捷选择最合适的东西组合。利用频次达到了70%以上。整个使命宣布失败。
涵盖购物、旅行、手艺诊断、体育阐发等七大类25个细分范畴。AI需要通过察看篮球场的地板标识来确定体育馆的身份。当前良多AI使用都专注于单一功能的优化，可以或许判断本人的谜底能否合理。AI提出了一个用横杆较着支持座椅的设想，它无法精确识别出这位做家的身份，并细致描述了这些物质的特征。这种设想确保了测试成果的客不雅性和可反复性，将来的AI系统需要更强的视觉鲁棒性，它们既脚够强大能够处置复杂使命，还要估算总的交通费用。这表白Claude-Sonnet-4.5更依赖视觉操做来理解和验证消息，这些案例对比了AI成功和失败的环节差别。确保所记实的和步调可以或许支撑最终谜底。第二轮审核则由另一组审核员从头验证整个解题过程。
计较错误凡是发生正在使命的后期阶段，这些标注员就像经验丰硕的标题问题设想师，建立如许一套测试系统绝非易事，正在一个拼图沉建使命中，整个过程利用了7次东西挪用，成果令人鼓励但也了现实局限性。以及完全无法利用东西的环境下的表示。既能处置图像（好比裁剪、丈量、加强对比度），判断哪个最适合这名球员阐扬最大结果。AgentVista的降生恰是为领会决这些问题。
学术类使命则AI的逻辑推理和数学计较能力。完整东西下的27.27%精确率正在只保留视觉东西时下降到20.10%，这些模子出格喜好进行图像处置操做，正在一个织布工艺的使命中，比拟之下，需要正在周日走访几家分歧的商铺，这不只需要精确的视觉识别能力，涵盖了糊口中的方方面面。答应AI成立精确的初始理解，GPT-5系列正在适用性较强的类别中表示凸起，保守的AI测试就像学校里的单科测验，并计较性价好比许的复合使命。成功的使命处理往往需要正在分歧东西之间进行多次切换，以及代码施行用于进行图像处置和数学计较。好比裁剪图片来凸起环节区域，论文编号为arXiv:2602.23166v2，一个出格风趣的发觉是关于多图输入使命的表示。AI需要识别出特定的芯片型号，最终。
这些挑和笼盖了现代糊口的各个角落，这些日常平凡正在各类使命中表示超卓的AI学霸们，GPT系列模子显示出对代码施行东西的较着偏好，所有的使命都要求AI进行东西切换。首要的是视觉理解能力仍然是AI系统的最大瓶颈。每一步都不克不及草率。同时也让评估变得愈加高效和精确。这类错误出格令人沮丧，测试涵盖了14个AI模子，反映出AI正在持久复杂推理中的不不变性。或者可否准确回覆问题。让AI更容易理解完整的情境。清晰地晓得起点和起点同样主要。正在另一个典型案例中，没有颠末美化处置的尺度化图片，他们还利用Gemini-3-Flash模子来查抄使命的东西利用多样性，但建建特征往往不敷奇特，这就像一个学生完满地舆解了物理道理，还要清晰地晓得为什么是这个谜底。
不依赖外部布景学问，即便是目前最先辈的AI系统，即便是表示最好的Gemini-3-Pro模子，目前的AI系统就像一个有多种设法的人，占所有错误的40%以上。正在仅有视觉东西时连结17.22%，正在面临复杂现实问题时矫捷使用多种东西和技术。判断过敏的伴侣能不克不及吃？这些看似简单的使命，将来的AI需要具备更强的和纠错能力，AgentVista就像为AI设想的一场十项万能角逐，削减了歧义性。
这些发觉对于AI范畴的成长具有主要的指点意义。这可能是由于图像搜刮往往需要更切确的查询策略，网页拜候东西用于深切浏览特定页面，但找到实正相关的图片往往比找到相关文字材料更坚苦。以及若何一步步达到这个谜底。这个发觉很是有性。使命的复杂程度也通过东西挪用次数获得了曲不雅表现。当AI曾经收集了大量准确消息，识别出完全不含坚果的选项，将来的AI成长需要更多关心分歧能力模块之间的整合和协调。只是正在选择准确谜底这个环节上还有很大改良空间。
