人類秒懂，AI崩潰：一個簡單測試，就讓GPT-5、Gemini等頂級模型集體“翻車”
AI靠模式匹配，不懂文字結構
VYU團隊 投稿
量子位 | 公眾號 QbitAI
人類一眼就能看懂的文字，AI居然全軍覆沒。
來自A*STAR、NUS、NTU、清華、南開等機構的研究團隊，最近有個新發(fā)現：
不管是OpenAI的GPT-5、GPT-4o，還是谷歌Gemini、Anthropic Claude，甚至國內的Qwen、LLaVA，在面對一些“看得見但讀不懂”的文字時，全都表現極差，直接“翻車”。
先切再疊，AI束手無策
VYU團隊設計了兩個小實驗：
1、選取了100條四字成語，把每個漢字橫切、豎切、斜切，再把碎片重新拼接。
人類讀起來毫無壓力，AI卻幾乎全錯。
2、挑選了100個八字母英文單詞，把前后兩半分別用紅色和綠色渲染，再疊加在一起。
對人類來說，這幾乎不構成挑戰(zhàn)——因為我們的視覺系統(tǒng)對紅/綠通道異常敏感，大腦能自動分離顏色，然后拼出完整的單詞。
但對AI模型來說，結果卻完全不同：
即使是最新發(fā)布的大模型，在這些問題上也屢屢碰壁。
無論是Gemini 2.5 Pro:
還是Kimi 2（Switch to 1.5 for visual understanding） ：
（PS：Kimi 2最終推測的答案是hardline）
又或者Qwen3-Max-Preview：
全都得不到正確的結果。
AI不懂符號分割與組合
對該現象進行分析，VYU團隊認為，根本原因在于AI靠模式匹配，不懂文字結構。
人類之所以能“讀懂”，是因為我們依賴結構先驗——知道漢字由偏旁部首組成，知道英文是按字母組合的。
而大模型只是把文字當作“圖片模式”來識別，沒有符號分割與組合的機制。
于是，只要文字稍作擾動（但人類依舊能看懂），AI就會徹底崩潰。
這個問題之所以值得研究，是因為它關系到AI落地的核心挑戰(zhàn)：
- 在教育和無障礙應用里，AI可能無法正確識別“非標準文本”。
- 在歷史文獻與科學筆記整理中，AI無法像人類一樣從殘缺文字中恢復含義。
- 在安全場景里，攻擊者甚至可以利用這種“盲點”繞過AI審查。
VYU團隊認為，要想讓AI擁有類似人類的韌性，必須重新思考VLMs如何整合視覺與文本——
也許需要新的訓練數據、更注重分割的結構先驗，或者全新的多模態(tài)融合方式。
更重要的是，這一結果也提醒我們：人類的閱讀理解從來不是單一模態(tài)的過程，而是依賴多重感知與推理的綜合能力。
論文鏈接：https://zjzac.github.io/publications/pdf/Visible_Yet_Unreadable__A_Systematic_Blind_Spot_of_Vision_Language_Models_Across_Writing_Systems__ArXiv.pdf
- AI芯片獨角獸一年估值翻番！放話“三年超英偉達”，最新融資53億2025-09-18
- 李飛飛發(fā)布世界模型新成果：一個提示，生成無限3D世界2025-09-17
- 奧特曼“續(xù)命”大計：押注讓大腦變年輕的藥物，預計年底臨床試驗2025-09-16
- DeepMind哈薩比斯最新認知都在這里了2025-09-15
相關閱讀
Ilya觀點得證！僅靠預測下一個token統(tǒng)一圖像文本視頻，智源發(fā)布原生多模態(tài)世界模型Emu3
開啟多模態(tài)AI新范式
