生成很强，推理很弱：GPT-4o的视觉短板

ttxx

如果让AI画一只狗站在“左边”，但事先告诉它“左就是右”，你觉得它能反应过来吗？

最近，UCLA的一项新研究用一系列精心设计的实验，揭开了GPT-4o在图像理解和推理上的短板——它画得漂亮，却未必真懂你的意思。

论文主线很直接，GPT-4o的画图能力确实惊艳，但真正涉及理解图像、语境推理、多步逻辑链条时，依然有明显短板。

这让我想起了“看起来很会，实际上还差点意思”那种AI微妙的尴尬。

照例，我把三大实验部分，一个一个给大家说清楚，希翼带你们完整感受下，这波研究到底发现了什么。

01. 全局规则遵循失败

其实这个部分有点意思，就类似大家平常和朋友开玩笑：“以后我说左其实是右哦”，然后再让他“往左走一步”，看他会不会真的往右走。

UCLA研究员给GPT-4o下了类似的套：“接下来‘left’都指‘right’”，“数字都要减2”，然后再让它“画一只狗在左边”，“画5只鸟”。

本以为AI能举一反三，结果——

狗还是在左边，鸟还是5只，全然无视前面重新定义的规则。

这说明什么？

GPT-4o在图像生成时，还是字面理解指令，全局重定义、上文设定根本进不到它的“画画脑子”里。

你想让它“灵活变通”，它却只会“忠实实行表面”，这跟人类的小聪明比还差了不少。

02. 图像编辑：浅层语义理解暴露

第二部分测试更有挑战性，研究员让GPT-4o动手编辑图片。

比如，

“只改水里的马倒影为狮子，别动马本体。”

结果AI一出手，马和倒影全变了。

再比如，

“只删掉画面里坐着的人。”

结果站着的背景人也被一锅端了。

这些例子直接暴露了一个问题：

GPT-4o对于“局部修改”“语义限定”这类任务，根本把握不住分寸。

它没法精确地区分“倒影”与“实体”、“坐着”与“站着”，操作经常“过犹不及”，动错地方。

说白了，AI的图像编辑理解，远没达到“人类看图、理解场景”的精细度。

有点像让一个刚学会PS的小白去修图，没概念，纯靠猜。

03. 多步推理与条件逻辑：彻底拉胯

最致命的短板，出现在“多步推理”和“条件判断”环节。

比如，

先叫GPT-4o画一只狗和一只猫，然后告诉它：“如果没有猫，把狗换成猫并搬到海滩。”

但其实第一张图猫已经有了。

按理说，这时候AI应该什么都不改。

但它还是把狗换成猫，还把场景全搬了——条件完全没判对，逻辑也乱套。

类似的例子还有很多，AI经常搞不清复杂条件，或者干脆“每条指令都照做”，不管前后有没有冲突。

这印证了一个核心问题：

GPT-4o不具备上下文敏感的推理能力，无法在复杂图像编辑任务中进行智能判断。

它在“理解前提—逻辑判断—再行动”这个链路上，明显还差一大截。

总的来说，现在的AI，更像是个“精致的指令机器”，你让它画什么就画什么，但要让它“看懂规则、读懂场景、举一反三”，那还真得再进化几轮。

这也让我想起，AI刚学会生成文字那会儿，大家觉得它“能写会说”，但一追问细节、让它编故事、圆逻辑，还是会出小小的bug。

今天的GPT-4o，在图片领域面临的困境，其实和曾经的文本AI如出一辙：

会画，但不一定会“理解”；能改，但不一定能“精准”；能听指令，但不一定能“举一反三”。 这也许是大家与“真正理解世界”的AI之间，最值得警惕、也最令人期待的那道坎。

或许，下一次技术突破，就会从这里开始。 但至少现在，大家还没到那一步。

via

https://the-decoder.com/gpt-4o-makes-beautiful-images-but-fails-basic-reasoning-tests-ucla-study-finds/


来源：36kr