Humanity's Sixth Sense 基準是什麼？GPT-6 Astra、GLM-5.3、Kimi K3 與人類對比

重點摘要

• Elorian 與 Scale AI 於 2026 年 10 月 12 日發布 Humanity's Sixth Sense（HSS）基準測試，含 522 題、288 張圖片與 17.6 小時影片，專測模型能否從視覺暗示（而非畫面直接呈現的資訊）推理場景意圖。
• 人類受測者 pass@1 為 93.1；最高分的 AI 系統 GPT 6 Astra 僅 53.6，中國開源模型 GLM-5.3-flash 僅 26.8、Kimi K3 僅 25.5。
• AI 在 HSS 上最常犯兩類錯誤：一是漏掉決定答案的關鍵細節（佔失敗原因 21%），二是認錯物件或角色（佔 20%），兩者合起來就占了近四成敗因。

Elorian 與 Scale AI 在 2026 年 10 月 12 日聯合發布 Humanity's Sixth Sense（HSS，人類第六感）基準測試，用來測量 AI 模型能否從視覺場景中讀出「畫面暗示但沒有明說的東西」。書架還有空間再放一本書嗎？馬拉犁的鏈條承受得了阻力嗎？HSS 不問「圖裡有什麼」，而是問「圖裡的東西暗示了什麼」。測試集共 522 題，涵蓋 288 張圖片與 234 段合計 17.6 小時的影片，分成時間因果、物理空間、社會理解、抽象推斷四類。人類受測者整體 pass@1 是 93.1；迄今在 HSS 測出最高成績的 AI 系統 GPT 6 Astra，只有 53.6。

HSS 基準測試揭示了 AI 在視覺暗示推理上的顯著瓶頸，顯示出 AI 缺乏人類直覺且單靠推理鏈無法彌補底層感知的缺口。

HSS 測的是什麼？和一般視覺問答差在哪？

傳統視覺問答（VQA）多半問可以直接從畫面確認的事實。HSS 要求模型先理解場景，再從沒有明說的部分推論。四個維度拆開來看：「時間因果」問的是畫面發生之前與之後的狀態；「物理空間」問的是什麼放得進去、誰的視線能到哪；「社會理解」測的是角色的意圖、注意力與歸屬關係；「抽象推斷」追問場景暗示的規律或規則。

這種設計更接近人類日常的視覺直覺，不是識別，而是推論。從人類的子類別成績看，四個維度都在高位：圖片 94.1、影片 91.9、時間 97、空間 94.9。GPT 6 Astra 的對應成績則分別是 55.6、51.1、58.2、53.6，每個維度都落後大約 40 個百分點，而且四類的分布相當均勻，沒有哪一類特別突出，也沒有哪一類特別差。這種極其均勻的表現落差反映的不是單一推理能力受挫，而是整體視覺暗示的理解層尚未貫通。

GPT 6 Astra 都只有 53 分，AI 到底卡在哪？

HSS 統計了最常見的兩類失誤。第一類是「漏掉決定答案的關鍵細節」，佔所有失敗的 21%；第二類是「認錯物件、人物或角色」，佔 20%。兩類合計接近所有失敗的四成，性質卻截然不同。

漏掉關鍵細節出在注意力分配：模型雖然看到了畫面，卻沒有停在要緊的地方。認錯物件或角色則是更根本的理解偏差，只要一開始看錯場景，後續推論就會跟著垮掉。這兩種失誤在「進入推理階段前」就已然發生，顯示單靠延伸思考鏈（如 Chain-of-Thought）無法解決問題，缺口更可能出在底層的感知機制。

中國開源模型的成績則呈現出另一層對比。GLM-5.3-flash 拿到 26.8，Kimi K3 拿到 25.5，兩者都不到 GPT 6 Astra 的一半，也低於人類基準三分之二以上。具體原因目前沒有公開說明，但這個落差如果可信，開源模型在暗示推理這個能力上，和前沿商業模型之間的差距，可能比多數一般性基準測試揭示的還要深。

「視覺推理需要專門世界模型」這個假設還站得住嗎？

HSS 的成績除了顯示 AI 的缺口，也讓一個長期爭論有了更具體的資料點。過去許多人認為，真正的視覺推理必須依賴能建立 2D 或 3D 空間表示的「世界模型」元件，純語言模型辦不到這件事。GPT 6 Astra 和 Claude 在 HSS 上的表現，多少反駁了這個立場。

53.6 對比 93.1 是很大的差距，但它不是 0。一個沒有明確設計世界模型的系統，能在「書架還能不能塞書」這類題目上答對超過一半，看起來某種物理與空間直覺已內嵌在大語言模型的參數裡，只是目前還不完整。Import AI 把這件事定性為「世界模型是否湧現」的反向證據，也就是語言模型在訓練過程中，可能已隱式地學到了某種版本的世界模型，不一定得從頭設計一套。

對工程師來說，這個落差代表現成的前沿模型雖然已有初步的暗示推理能力，但可靠度還不足以勝任高風險應用，不能直接信任，仍需針對具體情境測試與補強。而要跨越目前這條線，問題的根源不太可能只是推理鏈不夠長，更可能是訓練資料在場景暗示這一層的系統性缺失。把這種推理型態納入訓練過程的設計，可能比把既有架構再推大一輪更有效。HSS 這類基準測試把「視覺直覺的能力邊界」量化得更具體，這本身就讓接下來的研究有了更清楚的目標。