HSS 基准评测多模态模型的直观视觉推理能力

论文提出 Humanity's Sixth Sense（HSS）基准，用于评测多模态大模型对场景中隐含时间、空间、社会与抽象结构的直观视觉推理能力，覆盖图像与视频输入并配有结构化分类和人类撰写的提示。结果显示人类参与者准确率达 93.1%，而表现最强的模型 GPT-6-astra 即使在最大推理强度下也仅为 53.6%；引入动态视觉操作的 agentic 设置能缩小但未消除这一差距。