AI图像推理能力再被拷打

寂静回声

拷打AI的难度还在升级？这不，图像推理又出现了新难题。（这事发生在GPT-5发布之前）
问题定义其实非常简单——在下图中还需要添加多少个小立方体能形成一个完整的大立方体？

针对这一难题，国内外支持图像输入的大模型纷纷给出了不同的答案。
其中，o3给出的答案是45个，Gemini 2.5Pro给出的答案仅有10个。
而国内大模型，如DeepSeek、通义Qwen3的答案分别为14和9。
出现这些不同答案的原因是什么呢？核心原因：大模型对组成的大立方体的规格理解不同。
o3将最终组成的大立方体的规格理解为5x5x5，但它对于缺失的小立方体的数目仍旧给出了错误答案，用人类视觉来看，要形成5x5x5的大立方体需要125个小立方体，而图中已经给出了46个，所以答案应该为79。
而AI的错误源于它对图片中小立方体的结构和数目的分析错误。
Gemini 2.5 Pro将最终组成的大立方体的规格理解为4x4x4。
而DeepSeek和Qwen都将最终的大立方体规格设定为了3x3x3。
对于最终要组成的大立方体的规模理解不同，各大模型自然而然就会给出不同的答案。
不过，结合提示多次尝试，也有大模型能够渐渐找准方向。

网友针对这些错误答案提供了一些解决办法：
例如用o3进行测试，在前两次尝试时给出一些小提示，虽然这样也得到错误答案，但第三次，即使没有提示也得到了正确的结果。【图10】
网友认为是由于ChatGPT的长期记忆功能，让它记住了前两次尝试的提示（比如考虑最长运行中有多少个立方体，专注于严格计数而不是估计），考虑到了失败的经验，并将它们全部整合在一起。
因此，可以说o3会通过记忆来学习。而这道难题也会成为未来的训练数据。
如果能够更清晰地为AI解释图片内容（告知其图片中小立方体的排列结构）：那么o3得到的答案也是正确的。