流畅：https://mp.weixin.qq.com/s/d0dmowGeef3z3UO12BYMqg

01｜视觉，为什么是条闭环？

东谈主类看图时，不会先在大脑中拍下张「截图」，再闭眼理。想考过程会束缚引咱们的眼力：找到个陈迹，造成个假定，再回到图像里考据它。

这套闭环有长久的神志学基础。经典著述《眼动与视觉》（1967）发现，同幅画在不同问题下会激勉截然有异的眼动轨迹：不雅看并非由图像单向决定，任务主义和中间假定会接续重定向谨防。《视觉与视觉意志的嗅觉—领会表面》（2001）跨越把「看见」相识为掌执视觉输入如何随不雅察活动而变化；《当然活动中的眼动》（2005）则标明，东谈主们在真实任务中会按需回看环境。《破解视觉知觉的「果真」谜题：作为外部牵挂的天下》（1992）将这种计谋空洞为把外部天下行为不错反复查询的「外部牵挂」，而不是把悉数细节次存入大脑。

这种才能和真实期骗息息关系。车间责任需要在桌不异的件中找到主义、查验各异；医师要在整张影像中逐区搜索并统计可疑病灶；旅行者要沿舆图跨过个个歧路，接续阐发我方仍在正确旅途上。每次新发现皆会改动下次查看的区域，下次不雅察又会反过来修正判断；只看懂疏忽远远不够。

基于以上动机，咱们发布了 ActiveVision——个门测量这种「主动不雅察」才能的视觉理基准。ActiveVision 包含 17 个任务和 3 类才能：

● 全局扫描（distributed scanning）：在整张图里找全、数全

● 规矩追踪（sequential traversal）：沿条结构步步走到底

● 属搬动（visual attribute transfer）：跨区域记着并比较微弱视觉属南充缓粘结钢绞线

ActiveVision 的三类任务也径直对应神志学中已知的基础视觉操作。《视觉数目分离》（1949）和《为什么少许与大批主义的计数式不同？》（1994）标明，少许主义不错被快速「瞬时计数」，数目加多后则需要逐项扫描；《弧线追踪：空间关系知觉的种可能的基本操作》（1986）将沿轮廓追踪视为串行的谨防过程；《视觉责任牵挂对特征很是组的容量》（1997）说明，跨区域比较受到视觉责任牵挂容量死心，需要在主义与参照之间反复切换。《视觉步履》（1984）跨越指出，这类基础操作需要由谨防力缓缓实行。ActiveVision 将这些经典实验中的基础操作转机为不错径直测量模子的三类任务。

图 1｜主动不雅察的真实期骗与 ActiveVision 任务联想。

02｜谈接近 9 倍的限度

评测成果很明确：在莫得使用外部器具的情况下，GPT-5.5 在悉数模子中取得分 10.6（9/85）；而 3 位东谈主类参与者的平均准确率为 96.1（94.1～97.6）。两者之间存在接近 9 倍的差距。

即使是这个分模子，也在 17 个任务中的 11 个上拿到 0 分。

图 2｜纯 CoT 模子与东谈主类的准确率对比：分模子与东谈主类仍出入近 9 倍。

提理强度也法申斥差距。GPT-5.5 从不想考、径直恢复，到使用理强度，每题资本增长了过两个数目，其准确率仅从 2.4 普及到 10.6；Fable 5 在理强度下的准确率唯一 3.5，反而在低理强度时达到 5.9。

「还想得不够久」讲明不了这些成果。径直的迹象是，正确的视觉字据莫得被富厚地带回理过程。

从造作现象看，问题也很致：全局扫描时漏数，规矩追踪时从起先径直猜畸形，属迁片晌用谈话先验替代果真的跨区域比较。模子能生成段听起来理的讲明，却法富厚完成「取得字据—保存中间景况—回到图像考据」的闭环。

模子看到了图南充缓粘结钢绞线，却未能接续不雅察其中的物体。

图 3｜纯 CoT 模子的准确率与每题资本。

03｜给它代码，能不行替它看？

那若是给模子代码、裁图、测量和其他视觉器具呢？

咱们把同套题交给 3 个器具型 Coding Agent 进行测试，得到的分数显着上涨：Fable 5 + Claude Code 为 50.6，GPT-5.5 + Codex 为 37.6，Opus 4.8 + Claude Code 为 24.7。不外，和东谈主类的 96.1 比较，仍有很大差距。

Agent 擅长把「看」改写成「算」：通过阈值分割、连通域、旅途追踪等法拆分题目，试图料理它们。不外，钢绞线厂家旦真实纹理致分割成果落空，或追踪器在交叉处串线，Agent 常常法察觉这些器具输出造作。

何况，这些普及并不均匀。3 个 Agent 在容易通过裁图、模板匹配或几何测量料理的属搬动任务上达到了 43～66；到了须准确穿过交叉点、接续追踪向和刻下位置的规矩追踪任务，Codex 只作念对 1/25，Opus 4.8 只作念对 3/25，而 Fable 5 也唯一 10/25。器具唯一在「看」能被可靠地改写成套联想时，才果真有。

瓶颈莫得隐匿，仅仅从「看图」转机到了「查验我方有莫得看错」。

何况，使用 Agent 的代价不小：每题平均破钞 12～15 分钟，API 等价资本达到 2.74～7.63 好意思元；东谈主类平均约 34 秒，且不依赖任何器具即可完成。

器具司帐算，但不会替你保持谨防。

图 4｜器具型 Agent 收成与典型失败案例。

04｜怎样造出场「看不完就答分歧」的实际？

为了避论断依赖几张手工挑选的「奸险图」，ActiveVision 的每谈题皆先由笃定步履生成：位置、体式、弧线、拓扑和圭臬谜底通盘已知；再用 GPT-image-2 将其重绘成相片场景，同期保持决定谜底的结构不变。这么，每个任务皆不错从头种子连接生成，谜底精准、可复现，又不会让模子靠闇练的卡通模板取巧。

举例，闭区域不错变成航拍视角下的郊野与河流，箭头链不错变成由脚印集合的彩石块，弧线不错变成飘舞木上的绳子。生成器矜重把已知结构「翻译」成材质、光照和纹理；解题者却须反过来从像素中复原全局结构。

同期，为了避模子看次图就记着通盘本色、不再看图，ActiveVision 中的悉数元素均出当今连气儿采样的狂妄位置，体式逐题从头生成，阶梯沿立时弧线伸开。模子法依赖网格坐标、定名体式或固定旅途，只可在理过程中反复回到图像，缓缓寻找、追踪并核验视觉字据，而不行只看眼、压缩成选录后径直作答。

ActiveVision 把放在感知能否接续参与理；描摹张图仅仅起先。

图 5｜ActiveVision 数据生成进程：笃定步履、精准谜底与真实相片重绘。

作家先容

张瑞是南加州大学联想机科学博士生，由 Willie Neiswanger 西宾指。本科毕业于清华大学，筹划向包括多模态感知与理及 AI-for-Science。主页：https://saccharomycetes.github.io/

上上是南加州大学联想机科学博士生，由 Willie Neiswanger 西宾指。本科及硕士毕业于上海科技大学。筹划敬爱敬爱包括大谈话模子理、后磨真金不怕火、强化学习以及 AI-for-Science。主页：https://shangshang-wang.github.io/手机号码：13302071130相关词条:不锈钢保温施工     塑料管材生产线     钢绞线厂家    玻璃棉板    泡沫板橡塑板专用胶

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。