Einsia AI 旗下 Navers Lab 新推出 Visual Cipher Bench 这个长程视觉推理基准测试,结果非常出人意料,就算是当前顶尖的 GPT-6 Astra(max),在这套测试里准确率也只有 26.7%,还有多款主流前沿模型得分不足 1%,说明现在的大模型 Agent 擅长文本、代码类任务,但是自主从图像里挖掘隐藏规则的能力还很弱。和普通视觉测试不一样,Visual Cipher Bench 不会把题目要求写清楚,线索全部藏在黑白线稿图片里,没有文字提示、没有对错反馈,AI 需要自己反复看图、猜想规则、验证逻辑,属于长链条自主推理任务。很多常见的视觉评测只是简单看图问答,Agent 测试大多是文本环境、可以反复试错拿反馈,这套基准刚好补上这个缺口,而且实验还发现,只要给一句不剧透的提示,模型准确率就能大幅上涨,这也证明 AI 卡壳的地方不是后续的推理执行,而是自己主动发现图像里隐藏规则这一步。
一、Visual Cipher Bench 基础信息
- 出品方:Einsia AI Navers Lab
- 题目总量:40 道原创视觉谜题,配套 67 张黑白线稿
- 题型分成 4 大类,每一类 10 题
- 空间操作与模拟:图形折叠、旋转、投影推演
- 逻辑约束与规划:从图像提取约束条件,找到唯一解
- 规则归纳:通过样例图形,自己总结这套题独有的变换规则
- 知识解码:识别图像里的盲文、摩斯码等视觉暗号
- 测试规则:只给少量图片 + 一句极简指令,没有样例说明、没有中间反馈,AI 自行判断哪些是样例、哪些是待解题目
二、本次核心测试结果
| 模型 | 测试表现 | 备注 |
|---|---|---|
| GPT-6 Astra(max) | 26.7% | 本次所有参评模型里最高分 |
| 多款前沿模型 | 低于 1% | 包含 DeepSeek V4.1 Flash、Qwen 3.8 Max 等 |
| 增加提示后的子集测试 | 7.8%→55.6% | 给出非剧透提示,分数显著提升 |
三、为什么 Visual Cipher Bench 能难住顶级 AI
- 信息全部在图像里,很难转成文字描述,模型没法靠文字知识库直接匹配答案
- 没有试错反馈,不像代码 Agent,跑错了能看到报错、不断调整
- 属于长程推理,需要多次回看图像、提出假设、交叉验证,不是单轮看图问答
- 规则每一题都不一样,没有固定套路,没法靠刷题记忆模板
四、这个测试带来的行业结论
- 当前顶尖 AI 的短板是自主发现图像隐藏规则,不是拿到规则之后做推理计算
- 文本 Agent 的长程能力,很难直接迁移到纯视觉线索的任务上
- 传统视觉评测、Agent 评测都有盲区,Visual Cipher Bench 提供了新的评估角度
- 给少量提示就能大幅提分,说明这类任务未来可以靠提示工程、引导式推理优化
【常见问题】
问题 1:在 Visual Cipher Bench 测试里,GPT-6 Astra 为什么只拿到 26.7% 的准确率?
回答 1:Visual Cipher Bench 要求 AI 自主从黑白线稿里挖掘隐藏规则,没有文字说明和对错反馈,GPT-6 Astra 虽然是顶尖模型,但自主从图像中归纳未知规则的能力不足,所以在 Visual Cipher Bench 上只有 26.7% 的正确率。
问题 2:Einsia AI 发布的 Visual Cipher Bench,和普通看图问答 AI 评测有什么区别?
回答 2:普通看图问答评测会写清楚问题、推理链条短;Visual Cipher Bench 没有明确提问,线索全部在图像中,需要 AI 自主猜想、验证规则,属于长程视觉推理,也没有试错反馈,难度高很多。
问题 3:给 AI 加提示之后,Visual Cipher Bench 的成绩上涨很多,说明什么?
回答 3:说明 AI 在 Visual Cipher Bench 里的瓶颈不是推理、计算、解码,而是自己找不到隐藏规则;只要给一点方向提示,AI 就有能力完成后续的推理解谜。
问题 4:Visual Cipher Bench 主要用来衡量 AI 的什么能力?
回答 4:Visual Cipher Bench 专门用来评估大模型 Agent 的长程视觉推理能力,重点考察模型能不能只依靠图像线索,自主发现规则、完成解谜,而不是简单识别物体、回答问题。
【参考资料】
[2026-11-17](最强 GPT-6 Astra 只对 26.7%,Einsia AI 发布的 Visual Cipher Bench 难住顶级 AI)新浪财经
[2026-11-12](Visual Cipher Bench: Benchmarking LLM Agents on Long-Horizon Visual Reasoning)arXiv 论文
[2026-11-12](Visual Cipher Bench 项目介绍)Einsia AI Navers Lab 官网
【免责声明】
本文内容基于 Visual Cipher Bench 公开论文与媒体报道整理,仅为 AI 评测科普,不代表模型综合能力;该基准只是单一维度的长程视觉推理测试,不能直接用来评判模型整体好坏;模型分数、测试细节以 Einsia AI 官方论文和项目主页为准,不构成选型、采购的参考依据。
