AI理解成像吗：面向计算成像任务的智能体AI系统基准

视觉语言模型（VLM）与智能体AI在语义视觉任务上表现强劲，但它们能否处理计算成像背后的物理与逆问题仍不清楚。我们提出ImagingBench：跨五类20个计算成像任务的基准——光线与波动光学、图像信号处理、逆重建、计算感知与校准。ImagingBench评估三种互补设定：Expert（固定专家引导的逆重建）、Planner（规划器引导的逆重建）与Forward（前向系统仿真做一致性检查）。我们基准测试领先的专有与开源以图像为中心的多模态系统（包括Gemini、GPT与Qwen），并与代表性的任务专属非智能体基线比较。跨任务：智能体模型持续弱于专用方法——尤其在无透镜成像、事件重建、飞行时间成像与全息等计算感知问题上。规划器引导相对固定提示的Expert基线仅提供适度且不一致的增益。尽管模型常生成视觉上貌似合理的输出，其基于参考的保真度仍然差——揭示语义视觉能力与物理落地成像表现之间的实质差距。ImagingBench为度量该差距并跟踪智能体AI在计算成像上的进展提供统一试验台。