新基准测试AI“第六感”：人类93分，最强模型仅53.6

AI能读图表、做竞赛题、识别密集文字，甚至用上万枚推理Token分析视觉题，但可能看不出：追公交的女人为何突然慢下来；两辆车之间还能否塞进一辆；会议室里谁最心不在焉；一排烧杯里模糊的标签是多少。这些人类瞄一眼就有答案的问题，正是Scale AI联合Elorian发布的新Benchmark——Humanity’s Sixth Sense（HSS，人类第六感）所测试的能力。结果显示：20名人类参与者准确率93.1%，榜首GPT-6-astra即使开到最大推理强度也仅53.6%，25个模型的中位数只有30.9%。

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，划分为4大类、11子域：时间与因果动态、物理与空间逻辑、社会与心智推断、抽象与情境推断。最关键的设计是答案不能直接出现在像素里：高清放大可见的题淘汰，需专业知识的题淘汰，人类无法形成一致判断的题也淘汰。标注团队编写3466道候选题，经三轮独立审核仅留522道，录取率15.1%。评分由LLM裁判对照评分标准逐条打分，全部满足才算答对。

研究测试了8家厂商的25个多模态模型。GPT-6-astra以53.6%排名第一，其后为GPT-6.1-sol（46.6%）、Claude-Opus-5.5（44.6%）、Gemini-3.8-flash（41.6%）、Claude-Fable-5.1（40.8%），其余均低于40%。盲测对照中，去掉图片和视频、只让最强模型根据问题文本猜答案，GPT-6-astra暴跌至6.6%，说明证据确实藏在视觉现场里。视频尤其难：25个模型中23个在视频任务上表现更差，平均下降7.3个百分点。社会理解最薄弱：21个模型在该项得分最低，平均准确率仅24.4%，其他三域平均34.1%。

对8573次失败的逐项归因显示：94%的失败来自感知或潜在信息推断，真正逻辑推理错误只占很小部分。最常见错误是漏掉关键线索（21.3%），其次认错物体、人物或角色（19.9%），误判尺寸距离和能否容纳（12.2%），看错朝向（12.0%），把二维遮挡误当三维对齐（9.1%）。在至少5个模型同时做错的题目中，中位数高达80%的模型因同一原因失败，说明不同厂商、不同架构的模型可能共享相似视觉盲区。25个模型平均每题用约4000个推理Token，提高推理强度总体有帮助但不稳定，若干子域推理等级越高成绩反而越低。

研究团队还将模型放入Claude Code和Codex，让Agent可裁剪、放大、重新抽帧、搜索和反复检查视觉材料。在388题子集上，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%。Agent最擅长修复“再仔细看一遍就能发现”的错误，但把二维重叠误判为三维对齐的错误只从102次降到101次，几乎无变化——这类失败源于模型缺少稳定的三维空间表征。Agent设置中少数逻辑错误反而增加。

HSS把长期被笼统称作“常识”“世界模型”或“社会智能”的问题，拆成可测量的时间、空间、社会和抽象推断能力，并用失败归因指出瓶颈所在。下一代多模态系统可能需要的不只是更长思维链，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。会描述世界不等于理解世界，会推理也不等于拥有直觉。人类93.1%与模型53.6%之间，隔着的是机器真正走进现实世界之前必须补上的那一眼。