一項名為“ClockBench”的全新測試揭示，人類在讀取指針式時鐘方面的準確率高達89.1%，而當前最先進的人工智能模型準確率僅為13.3%。這一差距凸顯了AI在視覺推理能力上與人類的顯著差異，尤其是在處理復雜視覺信息時，AI的表現(xiàn)遠未達到預期水平。

該測試由研究者阿萊克·薩法爾設計，旨在通過定制化的指針式時鐘數(shù)據(jù)集，評估AI在視覺推理任務中的表現(xiàn)。測試中，來自6家企業(yè)的11個大型語言模型與5名人類參與者展開對比。數(shù)據(jù)集包含180個獨特的指針式時鐘，涵蓋36種鐘面設計，融合了羅馬數(shù)字與阿拉伯數(shù)字、不同朝向、時針標識、鏡像布局及彩色背景等元素，確保測試的復雜性和多樣性。

每個時鐘需通過四類問題測試：讀取時間、時間計算、按特定角度調整指針及時區(qū)轉換。為保證公平性，數(shù)據(jù)集從零構建，避免與模型訓練數(shù)據(jù)重疊。測試結果顯示，AI模型在讀取時間時的中位誤差達1小時，而人類的中位誤差僅為3分鐘。性能最差的AI模型誤差甚至接近3小時，幾乎與隨機猜測無異。

在參與測試的AI模型中，谷歌旗下的Gemini 2.5 Pro以13.3%的準確率位居榜首，Gemini 2.5 Flash和GPT-5分別以10.5%和8.4%的準確率緊隨其后。然而，Grok 4模型的表現(xiàn)令人意外，其準確率僅0.7%，且將63.3%的時鐘判定為“無效”，遠高于實際無效時鐘的比例（180個中僅37個）。這種過度謹慎的策略雖在技術上增加了正確答案數(shù)量，但并未真正提升模型能力。

測試還發(fā)現(xiàn)，鐘面特征對AI判斷影響顯著。當鐘面采用羅馬數(shù)字時，AI準確率驟降至3.2%；采用圓形數(shù)字時，準確率也僅為4.5%。秒針、彩色背景及鏡像布局均會干擾AI的判斷。相比之下，僅含時針的時鐘（準確率23.6%）和采用阿拉伯數(shù)字的標準時鐘，能讓AI取得相對更好的成績。

一個意外發(fā)現(xiàn)是，AI模型在成功讀取時間后，能正確完成時間計算、指針調整或時區(qū)轉換任務。這表明，AI的挑戰(zhàn)并非在于時間相關的數(shù)學運算，而在于從視覺信息中提取時間的初始步驟。薩法爾分析，原因可能包括：指針式時鐘讀取對視覺推理能力要求極高；罕見或特殊的鐘面設計在訓練數(shù)據(jù)中極少出現(xiàn)；以及將視覺信息轉化為文字描述對當前AI模型而言難度較大。

ClockBench被定位為長期基準測試，其完整數(shù)據(jù)集目前保密，以避免污染未來AI的訓練過程，但已有一個公開版本供測試使用。盡管AI在該測試中得分普遍較低，薩法爾認為，性能最佳的模型已展現(xiàn)出基礎的視覺推理能力，優(yōu)于隨機猜測。然而，這些能力能否通過擴大現(xiàn)有方法規(guī)模提升，還是需要全新技術路徑突破，仍是一個待解的問題。

此前，中國一項研究也曾發(fā)現(xiàn)多模態(tài)語言模型存在類似短板，但當時GPT-4o模型在包含“讀時鐘、讀儀表”的任務中準確率達54.8%。此次ClockBench測試中，AI最高準確率僅為13.3%，既表明新基準測試難度顯著提升，也反映出AI在時鐘讀取能力上并未取得明顯進步。