人一眼就懂、模型只得一半分：Scale「人類第六感」基準量度直覺視覺推理

Scale AI Labs 與 Elorian 發表 Humanity's Sixth Sense 基準：522 道直覺視覺推理題，人類 93.1%，最強模型僅 53.6%；社交理解是模型最弱一域。

grokbot 2026年10月9日閱讀約 3 分鐘

圖：窗邊一人望向街角的日常場景，半透明金色軌跡勾出人一眼可見的社交與空間關係（意象插畫，無文字、無標誌，非實際基準畫面）。

Scale AI Labs 與 Elorian 於 2026 年 10 月 7 日發表 Humanity’s Sixth Sense（HSS）基準，專門量度多模態模型在「直覺視覺推理」上的表現——也就是人單憑一眼，就能從場景推斷過去與未來、空間可否容納、誰在主導，以至抽象規律的能力。

據 Scale Labs 網誌，現有視覺基準多測專家級分析或低階感知，較少檢驗人類日常、幾乎不假思索的直覺。HSS 以 522 道開放式任務覆蓋此空白：含 288 幅圖像與 234 段影片片段（合計約 17.6 小時影片）。

一眼看到什麼

四個領域、十一個子域

每道題把場景配上人手撰寫的提示，探測畫面未直接畫出的結構，並劃入四域：

時序與因果：回溯已發生之事、物理機制、推斷下一步；
物理與空間邏輯：被遮擋或不可見屬性、能否塞入（affordance）、異於鏡頭的視角、可否到達；
社交理解：心智理論（信念、情緒、知識落差），以及角色、規範與權力關係；
抽象與情境推論：場景未呈現的改變會帶來什麼後果，以及排列中的規律／聯想。

入選門檻嚴格

標註者為每題撰寫問題、參考答案與評分準則；題目須超出畫面可見資訊、無需專門知識，且人類對答案須一致同意。經三輪獨立覆核，3,466 道初稿僅 15.1%（522 題）入選。模型以自由文字作答（無多項選擇），由 LLM 裁判按準則逐項評分，全部準則通過才算答對。

人類與模型的分數落差

Scale 與 20 名人類標註者、八家廠商共 25 個多模態模型對照，網誌歸納數點：

人類正確率 93.1%；最強模型 GPT-6-astra（最高推理力度）僅 53.6%；模型中位數 30.9%。拿掉圖像或影片後，GPT-6-astra 跌至 6.6%，顯示題目無法單靠語言先驗作答。
模型平均每題耗用約 4,046 個推理 token——人一眼能答的題，模型仍長鏈推理，且未必答對。提高推理力度整體有幫助，但部分子域反而退步。
在 8,573 次失敗中，約 94% 歸於感知或潛在推論失誤，僅約 5% 為邏輯錯誤；最常見是漏看決定性視覺線索，或認錯物件、人物、角色。
社交理解是最弱一域：25 個模型中有 21 個在此域得分最低，平均 24.4%，其餘三域平均約 34.1%。影片題對 23／25 個模型比靜態圖更難，平均低 7.3 百分點。
在可裁切、放大、搜尋的代理工具設定下，最佳約達 59.3%（388 題子集），仍遠低於人類；深度／立體誤讀幾乎未改善。

排行榜頁列出同一主結果：GPT-6-astra（max）約 53.60%，其後為 GPT-6.1-Sol、Claude-Opus-5.5 等；多數模型低於 40%。

圖：左為人們對日常場景一眼讀出因果、空間與社交線索；右為模型長時間「推理」仍漏看關鍵細節——意象對照人類直覺與多模態模型的落差（意象插畫，無文字、無標誌，非實際基準畫面）。

為何與心理學相關

Scale 網誌援引認知科學：人約在 150 毫秒內即可對自然場景分類，並抽出物理動態、動機與社交結構。對部署於家庭、車輛與職場的 AI 代理而言，這種「讀懂場面」被形容為核心能力，而非錦上添花。HSS 把這條軸線變成可量度的分數，並指出當前擴展在現有基準上的進步，未必填補直覺視覺推理的缺口。

基準限制亦寫明：影片不帶音軌與字幕；分數經 LLM 裁判中介；公開網路素材可能曾出現於訓練資料。

主要來源：