AI們數不清六根手指（不是畫畫），這事沒那麼簡單。

7月10日Grok4發佈完以後，我隨手刷了一下X。

然後看到了一個非常有趣的帖子，來自@lepadphone。

我以爲，這就是Grok4的問題，模型能力不太行，把一個惡搞的6根手指，數成了5根。

我自己也去測了一下，確實數是5根。

我本來沒當回事。

直到，我隨手扔到了OpenAI o3裏，發現，事情開始不對了起來。因爲，o3回覆，也是5根手指。

我瞬間皺了眉頭，然後扔給了o3 pro。

在推理了48秒之後，還是5根。

然後我又把這張圖扔給了豆包、kimi、Gemini等等所有的有多模態的模型。

而無一例外，所有的模型，給我回復的，都是5根。

唯獨有一個活口，Claude 4，偶爾會回答正確。

瞬間一股子冷汗就下來了。

一個模型數錯了，可能是幻覺，所有的模型都數錯，那，模型的底層肯定有一些問題。

深夜在羣裏試圖問了一下，結果石沉大海。

那就只能靠自己了，再搜了一堆資料，用DeepReaserch做了深度搜索以後，我找到了一篇能完美解答這個現象的論文。

《Vision Language Models are Biased》（視覺語言模型存在偏見）

這篇論文發表於今年5月29號，至今也才1個多月的時間，還蠻新的。

我花了一些時間，連夜學習完了這篇論文，我覺得，還是有一些有趣的知識可以寫給大家看看。

這篇論文，最核心的觀點就是：

大模型，其實從來都沒真的在看圖片。

是的，AI們根本就沒有用眼睛看世界，它們用的是記憶。

我給你舉個生活化的例子。

我相信大家一定在各種社交媒體上看過一些搞笑的山寨商品。

比如，不知道大家有沒有買到過這個。

雷碧。

你不止能買到雷碧，還能買到農夫山賊，白事可樂。

我相信很多人買到山寨品，除了確實圖便宜之外，更多的人，還是因爲：

沒注意細看。

因爲我們腦子裏，看到綠色瓶子的清爽檸檬味汽水，就會非常自然的覺得，哦這是雪碧。

但，你的雪碧也可能是雷碧。

我們爲什麼這麼容易看錯，原因其實特別簡單，也特別扎心。

因爲人類大腦在識別世界的時候，並不總是用眼睛。

我們很多時候，憑的都是記憶，或者更準確地說，是一種印象。

就像你每天上班會經過一家熟悉的包子鋪，你可能從未認真地盯着包子鋪的招牌細看，每次走過時，你只會隨便掃一眼，確認一下顏色、字體，然後大腦迅速告訴你：

“是的，沒錯，這就是那個你天天濾過的熟悉的包子鋪。”

直到有一天，這家店鋪其他的都沒變，但是悄悄的，把招牌從包子鋪改成了，勺子鋪，說實話，你可能根本不會發現。

除非哪天你特別閒，盯着招牌看了幾秒鐘，你纔會忽然驚呼。

臥槽，老子的包子店呢？？？

這個認知機制，就是人類大腦的快速決策機制。

它能幫你迅速處理日常生活中絕大多數無關緊要的信息，避免你陷入無止境的分析和糾結。

但這種機制也有代價，那就是容易被偏見矇蔽雙眼。

而我們如今引以爲傲的視覺理解大模型，正在用一模一樣的機制看待世界。

在論文《Vision Language Models are Biased》裏面，研究人員做了一個特別簡單的實驗：

他們給頂級AI模型看了一張阿迪達斯運動鞋照片，這雙鞋上的三條經典斜紋，被悄悄多加了一條，變成了四條。

但當研究人員問AI：“請問這雙阿迪達斯鞋上的條紋有幾條？”

所有的AI模型，包括Gemini-2.5 Pro、o3、GPT-4、Claude 3.7，通通斬釘截鐵地回答：

“3條！”

哪怕你再三強調請只根據圖片回答，不要憑印象，AI們依然不爲所動，還是固執地回答3條。

還有更好玩的。

研究人員展示了5條腿的獅子、3條腳的鳥、5條腿的大象、3只腳的鴨子、5條狗的腿。

當時最頂級的大模型們，幾乎全軍覆沒。

可憐的平均準確率，只有2.12%。

100次，