Новое исследование показало слабое место современных мультимодальных ИИ: они не справляются с простыми визуальными задачами, которые дети осваивают до начала речи.
Мультимодальные модели успешно проходят экспертные тесты вроде MMMU, набирая выше 90%. Но исследование UniPat AI указывает, что даже лучшие из них проваливаются на задачах для младенцев. Модель Gemini-3-Pro-Preview показала только 49,7%, в то время как взрослый человек достигает 94,1%.
Авторы из UniPat AI, Пекинского университета, Alibaba Group и MoonShot AI создали набор тестов BabyVision — 388 заданий в четырёх категориях. Это навыки, которыми дети обычно овладевают в первые месяцы: тонкое различение визуальных образов, прохождение линий через лабиринты и пересечения, счёт скрытых трёхмерных объектов и распознавание вращённых или отражённых узоров.
В сравнительном тесте участвовали 80 детей разных возрастов. Большинство нынешних моделей набрали меньше трёхлетних детей. Только Gemini-3-Pro-Preview стабильно показывал результаты выше этой группы, но всё равно отставал на 20% от типичного шестилетнего ребёнка.
Среди проприетарных моделей лидирует Gemini 3 Pro. У GPT-5.2 — 34,4%, у Doubao-1.8 от Bytedance — 30,2%, у Claude 4.5 Opus — только 14,2%. Лучшие open source модели справились ещё хуже: Qwen3VL-235B-Thinking получил лишь 22,2%.
Особенно слабые результаты у ИИ при подсчёте 3D-блоков: лучшая модель набрала только 20,5%, в то время как люди — 100%. В задаче “Следование линиям через пересечения” Gemini набирает 83,3%, остальные — почти ноль.
Учёные связывают эти провалы с проблемой «узкого языкового горлышка». Мультимодальные модели переводят изображение в текстовое описание ещё до рассуждений. Все аспекты, которые нельзя выразить словами, теряются.
Например, текст вроде «красная машина на дороге» легко понять. Но описать форму границы или точное положение линии словами невозможно без потерь. BabyVision как раз проверяет такие задачи, которые нельзя описать языком.
Создано и расширение BabyVision-Gen — 280 заданий, где моделям нужно не просто ответить, а изобразить решение: нарисовать линии или разницу между картинками. Люди часто решают такие задачи рисованием. Дети начинают именно с этого.
Генераторы изображений справились с заданиями частично. Nano Banana Pro набрал 18,3%, GPT-Image-1.5 — 9,8%. На поиске отличий Nano Banana Pro достиг 35,4%. Ни одна модель не справилась с лабиринтами и задачами на соединение линий, где требуется поддерживать пространственную целостность.
Авторы считают, что универсальные мультимодальные архитектуры с нативной визуальной обработкой могут решить описанную проблему. Такие модели смогут сохранять визуальную информацию на всех этапах рассуждения. Набор задач BabyVision опубликован на GitHub как диагностический инструмент для проверки прогресса в визуальном интеллекте.
Похожий тест ARC-AGI-3 Франсуа Шолле оценивает базовые умения вроде постоянства объекта и причинности с помощью мини-игр, где ИИ нужно самому понять правила. Современные системы пока набирают на этих заданиях ноль. Люди решают их за несколько минут.
