积极观察者的考试

人类视觉是一个闭环：视线不断地被中间假设而不是单个快照重定向。数十年的心理物理学和认知科学认为，这种积极的观察对于许多任务来说都是必不可少的。今天的多模态 大语言模型 (MLLM) 是否进行主动观察是一个实证问题，当前的视觉语言基准无法回答。我们引入了 ActiveVision，这是一个可以衡量 MLLM 主动观察的基准，包含 3 个类别的 17 项任务。任务旨在强制重复的视觉感知，而不是单一的静态描述。 Frontier MLLM 在 ActiveVision 上崩溃：我们评估的得分最高的模型，GPT-5.5，处于暴露的推理努力最高层，仅解决了 10.6% 的项目，并且在 17 项任务中的 11 项得分为零，甚至 Claude Fable 5，尽管在大多数推理和编码排行榜上名列前茅，也仅解决了 3.5%，远远落后于三个人类参与者的平均 96.1%。此外，即使模型编写并运行自己的视觉代码，大部分差距仍然存在：此类代码在现实图像上不可靠，并且捕获其故障本身需要模型缺乏的主动感知。总之，这些结果表明，当前的 MLLM 缺乏强大的主动视觉观察、激励架构和闭合感知推理循环的训练目标。