新基准开测「AI第六感」！人类一眼秒懂，最强模型只拿53.6分

新智元报道 AI能读图表、做竞赛题、识别密密麻麻的文字，甚至用上万枚推理Token，把一道视觉题分析得头头是道。 但它可能看不出：追公交的女人为什么突然慢了下来；两辆车之间还能不能再塞进一辆；会议室里谁最心不在焉；一排烧杯里，最后那个看不清的标签到底是多少。 这些问题，人类往往瞄一眼就有答案。 刚刚，Scale AI联合Elorian发布了一个专门测试这种能力的新Benchmark – Humanity’s Sixth Sense（HSS，人类第六感） 。结果相当扎眼：20名人类参与者拿到 93.1% ，当前榜首GPT-6-astra即使开到最大推理强度，也只有 53.6% ；25个模型的中位数，更是只有 30.9% 。 HSS论文： https://labs.scale.com/papers/humanitys-sixth-sense Scale Labs官方介绍： https://labs.scale.com/blog/introducing-humanitys-sixth-sense HSS实时榜单： https://labs.scale.com/leaderboard/hss 数据集： https://huggingface.co/datasets/ScaleAI/HSS 这不是一道「模型会不会做题」的小考。 HSS真正追问的是：当AI走进汽车、家庭和办公室，它能不能像人一样，在事情被明确说出来之前，就读懂现场。 HSS首发榜单。25个多模态模型全部显著落后于人类。 AI有视觉 却还没有「眼力见」 HSS所说的「第六感」，不是超自然能力，而是人类每天都在使用的 直觉式视觉推理 。 看到一张图或几秒视频，我们不只识别「画面里有什么」，还会自动补全那些没有直接显示出来的信息：此前发生了什么、接下来可能发生什么、某个物体能否通过缝隙、谁知道什么、谁在服从谁，以及一个场景背后隐藏着怎样的规则。 这种能力快得惊人。认知科学研究显示，人类大约在150毫秒内就能完成自然场景分类，并同步提取物理动态、行为意图与社会结构。 现有视觉Benchmark却大多站在两个极端：一类考奥数、图表、学术知识等「专家级慢思考」；另一类考OCR、目标识别、检测定位等底层感知。 夹在中间、对真实世界最重要的能力，反而长期没有被单独测量： 人类不用列公式、也很难说清过程，却能一眼得到答案的视觉直觉。 HSS把这块空白正式变成了分数。 522道题，专门考画面没有明说的东西 HSS包含 522道开放式任务 ，对应288张图片和234段视频，视频总时长17.6小时。题目被划分为4个大类、11个子域： 时间与因果动态。 模型要从当前画面反推过去，判断正在起作用的物理机制，或预测下一步会发生什么。例如，视频中一名女子把转辙器从右手边扳到左手边，这个动作让铁轨的道岔发生了什么变化？ 物理与空间逻辑。 模型要判断被遮挡的物体、质量与不可见的作用力，也要回答「放不放得下」、「换个视角会看到什么」「某个人够不够得着」。 社会理解。 模型要推断人的信念、情绪、知识差和意图，也要读懂社会角色、规范与权力关系。例如，一名女子追赶公交车，跑着跑着突然放慢了脚步，原因是公交车停下来等她，她不必再冲刺了。 抽象与情境推断。 模型要找出赋予场景意义的隐藏规则，包括变化带来的后果、排列中的规律，以及「在物体中看见脸」这类空想性错觉（pareidolia）。例如，一排烧杯上的标签依次是40、50、60、70，最后一个模糊的标签该是多少？答案是80。 HSS四大任务域。每道题都包含图像/视频、问题、参考答案和评分标准。 最关键的设计是： 答案不能直接出现在像素里。 高清放大就能看见答案的题，淘汰；需要专业知识的题，淘汰；人类无法形成一致判断的题，同样进不了正式测试集。 标注团队一共编写了3466道候选题，经过三轮独立审核，只留下522道，录取率仅15.1%。仅第一轮就淘汰了2302道，最主要的原因，正是「答案其实已经在画面里」或「人类无法一致认可正确答案」。 评分同样严格：模型自由作答，没有选项可供排除；由LLM裁判（Claude-Opus-5）对照评分标准逐条打分，所有标准都满足才算答对。团队还用三家厂商的裁判重新评分了5个模型，排名完全一致，且未发现明显的「自家模型偏好」。 25个模型集体失灵 榜首不到人类的六成 研究团队测试了来自8家厂商的25个多模态模型。 GPT-6-astra以53.6%排名第一，其后依次是GPT-6.1-sol（46.6%）、Claude-Opus-5.5（44.6%）、Gemini-3.8-flash（41.6%）和Claude-Fable-5.1（40.8%）。其余模型全部低于40%。 而人类是93.1%。 更有意思的是「盲测对照」：当研究者把图片和视频拿掉，只让最强模型根据问题文本猜答案时，GPT-6-astra的成绩暴跌到 6.6% 。这说明HSS并不是在考语言套路，也不能靠常识模板蒙混过关。决定答案的证据，确实藏在视觉现场里。 视频尤其难。25个模型中有23个在视频任务上表现更差，平均下降7.3个百分点。社会理解则是最薄弱的领域：21个模型在这一项上得分最低，平均准确率只有24.4%，而其他三个领域平均为34.1%。 模型不是不会推理 而是没看懂 为了找到失败根源，研究团队对模型的8573次失败进行了逐项归因。 结论与「模型需要更强逻辑推理能力」的直觉几乎相反： 94%的失败来自感知或潜在信息推断，真正的逻辑推理错误只占很小一部分。 最常见的错误，是漏掉决定答案的关键线索（21.3%）；其次是认错物体、人物或角色（19.9%）；再往后是误判尺寸、距离和能否容纳（12.2%），看错朝向（12.0%），以及把二维遮挡误当成三维对齐（9.1%）。 不同子域的失败高度集中在「看错」和「没有从画面中读出隐含信息」。 而且，这些错误并非随机失误。在至少5个模型同时做错的题目中，中位数高达80%的模型会因为同一个原因失败。这意味着不同厂商、不同架构的模型，可能共享着相似的视觉盲区。 它们可以生成很长的思维链，却可能从第一眼就拿错了关键事实：认错人，看反方向，搞错遮挡关系；然后再花几千个Token，把一个错误的前提推得越来越完整。25个模型平均每题要用约4000个推理Token。 提高推理强度总体有帮助，但并不稳定。在若干子域里，推理等级越高，成绩反而越低，峰值常常出现在中间档位。 当输入的世界模型是错的，「再想一会儿」并不会自动带来正确答案。 给模型配上Agent，能补课，但补不出真正的空间感 研究团队进一步把模型放进Claude Code和Codex，让Agent可以裁剪、放大、重新抽帧、搜索和反复检查视觉材料。 效果确实明显。在388题的子集上，Claude-Opus-5从30.8%升至51.3%，Claude-Fable-5.1从41.2%升至57.7%；GPT-6-astra在Codex中从54.4%升至59.3%，成为Agent设置下的最高成绩。 Agent最擅长修复「再仔细看一遍就能发现」的错误：物体与角色识别错误从181次降到147次，朝向错误从117次降到93次，尺寸与适配判断错误从137次降到105次，漏掉关键