人类的第六感：多模态模型直觉视觉推理评测

人类从场景中感知到的信息远超画面直接呈现的内容：一眼便能推断此前的原因和未来的走向；快速观察便能判断车辆是否能穿过两辆停放汽车之间的空隙；几秒视频便能识别谁在房间里掌握权威；短片中也能看出不成文的规则或隐藏标签等抽象模式。这体现了一种类似人类“第六感”的直觉推理机制，能够从原始感官信息中推断隐含内容。这种快速、零样本的视觉直觉支撑着日常导航和社会交往，也是与人协作的多模态大语言模型（MLLM）所需的重要能力。然而，现有视觉基准主要关注学术和数学领域的专家级分析，或较低层次的感知，较少测试人们日常进行的直觉推理。为此，我们提出Humanity's Sixth Sense（HSS），一个直觉视觉推理基准。HSS涵盖多种图像和视频输入，采用结构化分类组织题目，并为每项输入配备人工编写的提示，考察人们一眼即可推断的时间、空间、社会和抽象结构。前沿MLLM的表现明显低于人类：人类参与者准确率达到93.1%，最强模型GPT-6-astra即使采用最大推理强度也仅达到53.6%。当前模型虽擅长许多需要高级感知和知识的复杂任务，却仍难以完成这些对人类直观的视觉任务。我们进一步研究了采用动态视觉操作的Agentic配置，它能缩小差距，但尚不能消除差距。HSS将直觉视觉推理确立为可测量的能力维度，并将关注点引向当前基准上的规模扩展尚未充分改善的能力。