一项针对视觉大模型空间推理能力的实测显示，前沿模型在无图案、无色差、无参考图的1000片纯白拼图任务中无法完成有效匹配，测试进行约五小时后中断。该实验将拼图按20×50网格编号拍照上传，要求模型判断任意两片边缘能否咬合，模型在局部配对上的准确率远低于可用水平。
实验过程中，模型能够准确描述任务难点，即缺乏颜色线索、只能依赖边缘形状匹配，并给出先拼边框片的策略建议。但在具体配对判断上，模型输出的多为定性描述，例如边缘曲率呈互补特征，而非可执行的定量测量数据。当要求连续推理30片的拼接顺序时，模型给出了A接B、B接C、C又接A的闭环结果，暴露出其无法维护全局自洽状态的问题。
这一结果与已有学术研究结论一致。2026年8月，名为JigShape的研究测试了五个前沿视觉大模型，使用计算机合成拼图作为题目，形状数字化生成、每片严格唯一、图像清晰无干扰。结果显示，16片拼图任务中仅一个模型超过随机猜测水平，64片时所有模型回到随机水平，微调后的模型在144片任务上正确率不足5％。研究者将这一现象称为规模悬崖，即片数增加导致约束数量指数增长，单步微小误差相互传染，最终整体崩塌。
分析认为，模型的能力瓶颈集中在两方面。其一是测量能力缺失，模型对图像的處理本质是生成描述，无法输出凸点位置百分比、曲率半径等精确数值，且同一拼块的两次描述可能存在措辞差异，输出不具备可复现性。其二是缺乏全局工作台机制，人类拼图时已拼合区域作为锚点持续积累确定性，而模型每次回答均从零开始重新看图，已判断的配对不会沉淀为确定事实。
该实验同时提示，人类在同类任务中的优势并非计算速度，而是触觉反馈、基于大量试错形成的模式识别能力以及持续投入的耐心。对于企业级AI应用而言，这一结果指向一个明确边界：在需要亚毫米级物理精度与全局约束一致性的场景中，当前视觉大模型尚不具备替代人工的条件，相关自动化方案需引入专用测量模块或符号推理组件。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
