Fable5仅做对3.5%！大模型会看图，但还没有主动视觉

01｜视觉，为什么是一条闭环？ 人类看图时，不会先在大脑中拍下一张「截图」，再闭眼推理。思考过程会不断引导我们的目光：找到一个线索，形成一个假设，再回到图像里验证它。 这套闭环有长期的心理学基础。经典著作《眼动与视觉》（1967）发现，同一幅画在不同问题下会引发截然不同的眼动轨迹：观看并非由图像单向决定，任务目标和中间假设会持续重定向注视。《视觉与视觉意识的感觉—运动理论》（2001）进一步把「看见」理解为掌握视觉输入如何随观察行为而变化；《自然行为中的眼动》（2005）则表明，人们在真实任务中会按需回看环境。《破解视觉知觉的「真正」谜题：作为外部记忆的世界》（1992）将这种策略概括为把外部世界当作可以反复查询的「外部记忆」，而不是把所有细节一次性存入大脑。 这种能力和真实应用息息相关。车间工作需要在一桌相似的零件中找到目标、检查差异；医生要在整张影像中逐区搜索并统计可疑病灶；旅行者要沿地图跨过一个个岔路，持续确认自己仍在正确路径上。每一次新发现都会改变下一次查看的区域，下一次观察又会反过来修正判断；只看懂大意远远不够。 基于以上动机，我们发布了 ActiveVision——一个专门测量这种「主动观察」能力的视觉推理基准。ActiveVision 包含 17 个任务和 3 类能力： ● 全局扫描（distributed scanning）：在整张图里找全、数全 ● 顺序追踪（sequential traversal）：沿一条结构一步步走到底 ● 属性迁移（visual attribute transfer）：跨区域记住并比较细微视觉属性 ActiveVision 的三类任务也直接对应心理学中已知的基础视觉操作。《视觉数量辨别》（1949）和《为什么少量与大量目标的计数方式不同？》（1994）表明，少量目标可以被快速「瞬时计数」，数量增加后则需要逐项扫描；《曲线追踪：空间关系知觉的一种可能的基本操作》（1986）将沿轮廓追踪视为串行的注意过程；《视觉工作记忆对特征及其组合的容量》（1997）说明，跨区域比较受到视觉工作记忆容量限制，需要在目标与参照之间反复切换。《视觉程序》（1984）进一步指出，这类基础操作需要由注意力逐步执行。ActiveVision 将这些经典实验中的基础操作转化为可以直接测量模型的三类任务。 图 1｜主动观察的真实应用与 ActiveVision 任务设计。 02｜一道接近 9 倍的鸿沟 评测结果很明确：在没有使用外部工具的情况下，GPT-5.5 在所有模型中取得最高分 10.6%（9/85）；而 3 位人类参与者的平均准确率为 96.1%（94.1%～97.6%）。两者之间存在接近 9 倍的差距。 即使是这个最高分模型，也在 17 个任务中的 11 个上拿到 0 分。 图 2｜纯 CoT 模型与人类的准确率对比：最高分模型与人类仍相差近 9 倍。 提高推理强度也无法缩短差距。GPT-5.5 从不思考、直接回答，到使用最高推理强度，每题成本增长了超过两个数量级，其准确率仅从 2.4% 提升到 10.6%；Fable 5 在最高推理强度下的准确率只有 3.5%，反而在更低推理强度时达到 5.9%。 「还想得不够久」解释不了这些结果。更直接的迹象是，正确的视觉证据没有被稳定地带回推理过程。 从错误模式看，问题也很一致：全局扫描时漏数，顺序追踪时从起点直接猜终点，属性迁移时用语言先验替代真正的跨区域比较。模型能生成一段听起来合理的解释，却无法稳定完成「获取证据—保存中间状态—回到图像验证」的闭环。 模型看到了图，却未能持续观察其中的物体。 图 3｜纯 CoT 模型的准确率与每题成本。 03｜给它代码，能不能替它看？ 那如果给模型代码、裁图、测量和其他视觉工具呢？ 我们把同一套题交给 3 个工具型 Coding Agent 进行测试，得到的分数明显上升：Fable 5 + Claude Code 为 50.6%，GPT-5.5 + Codex 为 37.6%，Opus 4.8 + Claude Code 为 24.7%。不过，和人类的 96.1% 相比，仍有很大差距。 Agent 擅长把「看」改写成「算」：通过阈值分割、连通域、路径追踪等方法拆分题目，试图解决它们。不过，一旦真实纹理导致分割结果破碎，或追踪器在交叉处串线，Agent 往往无法察觉这些工具输出错误。 而且，这些提升并不均匀。3 个 Agent 在容易通过裁图、模板匹配或几何测量解决的属性迁移任务上达到了 43%～66%；到了必须准确穿过交叉点、持续跟踪方向和当前位置的顺序追踪任务，Codex 只做对 1/25，Opus 4.8 只做对 3/25，而 Fable 5 也只有 10/25。工具只有在「看」能被可靠地改写成一套计算时，才真正有效。 瓶颈没有消失，只是从「看图」转移到了「检查自己有没有看错」。 而且，使用 Agent 的代价不小：每题平均花费 12～15 分钟，API 等价成本达到 2.74～7.63 美元；人类平均约 34 秒，且不依赖任何工具即可完成。 工具会计算，但不会替你保持注视。 图 4｜工具型 Agent 成绩与典型失败案例。 04｜怎样造出一场「看不完就答不对」的考试？ 为了避免结论依赖几张手工挑选的「刁钻图」，ActiveVision 的每道题都先由确定性程序生成：位置、形状、曲线、拓扑和标准答案全部已知；再用 GPT-image-2 将其重绘成照片级场景，同时保持决定答案的结构不变。这样，每个任务都可以从新种子继续生成，答案精确、可复现，又不会让模型靠熟悉的卡通模板取巧。 例如，闭合区域可以变成航拍视角下的田野与河流，箭头链可以变成由脚印连接的彩色石块，曲线可以变成漂流木上的绳索。生成器负责把已知结构「翻译」成材质、光照和纹理；解题者却必须反过来从像素中恢复全局结构。 同时，为了避免模型看一次图就记住全部内容、不再看图，ActiveVision 中的所有元素均出现在连续采样的任意位置，形状逐题重新生成，路线沿随机曲线展开。模型无法依赖网格坐标、命名形状或固定路径，只能在推理过程中反复回到图像，逐步寻找、追踪并核验视觉证据，而不能只看一眼、压缩成摘要后直接作答。 ActiveVision 把重点放在感知能否持续参与推理；描述一张图只是起点。 论文：https://arxiv.org/abs/2607.16165 AlphaXiv：https://www.alphaxiv.org/abs/2607.16165 项目主页：https://activevision.dev 数据集：https://huggingface.co/datasets/activevisionai/ActiveVision 评测代码：https://github.com/saccharomycetes/ActiveVision 图 5｜ActiveVision 数据生成流程：确定性程序、精确答案与真实照片重绘。 作者介绍 张家瑞是南加州大学计算机科学博士生，由 Willie Neiswanger 教授指导。本科毕业于清华大学，研究方向包括多模态感知与推理及 AI-for-Science。主页：https://sac