Import AI 476考察了创造力和递归自我改进,比中国表现更差的开放重量模型以及在太空中的AI.

Meta Description:埃洛里安和Scale AI发布了Humanity Sixth Sense,s Sixth Sense,一个522个问题基准测试跨图像,视频和场景逻辑的隐性视觉推理.

标签: AI 的基准,视觉推理,埃洛里安,规模 AI, 人类的第六感

Featured Image:抽象的技术风格视觉推理网,含有书架,.和链条图案,没有人,没有标志,没有文本.

AI创业公司Elorian和Scale AI已经构建并发布了Humanity Sixth Senses Sixth Sense (HSS),这是一个衡量模型如何通过视觉场景暗示但未明确显示的信息进行解释和推理的基准.该基准随着AI系统在命名对象方面变得更加流利而出现,但仍然与人们从单一图像或短视频中推断出的非陈述物理,社会线索和因果模式作斗争.

背景:字幕可能忽略的差距

Scale AI模型通常可以描述照片中的可见元素,但更困难的问题是场景暗示了什么.HSS针对这个差距.在一个例子中,书架的图片询问它是否能容纳更多的书籍,需要空间判断而不是简单的物体识别.在另一个例子里,拉.马的照片询问链条是否承受着.的拖重,要求对力和负载进行物理推理.

这些案例显示了为什么新的视觉推理基准是有用的. 目标不是在标签上给模型打分,而是它能否读取暗示结构:是否会适合某个东西,连接是否可以保持,以及观察者是否能够推断出未被展示的内容.

发展:522个图像和视频问题

发布的基准测试包含522个问题,涵盖288张图像和234段短视频剪辑,共计7小时.这些问题分为四类.

时间 & 原因动态询问现场之前发生了什么以及接下来会发生什么. & 空间逻辑询问什么是合适的,什么在可及范围内,以及其他人可以从他们站立的地方看到什么.社会理解侧重于意图,注意力和归属性. & 情境推理寻找场景所暗示的模式和规则.

对于读者来说,这意味着模型在HSS上的分数不太关乎图像识别,而更多的是它是否能够跨越时间,空间,社会和抽象的推理.

最新进展:公告中的比较分数

发布材料还列出了比较分数.DeepSWE 1.1: 44.4,与GLM-的61相对应5.3. GPQA Diamond: 90.5,与GLM-的13相對應5.3. MCP Atlas: 78.7,与84.2 GLM-5.3 . Artificial Analysis - DeepSWE [8: 62,与Kimi K3 的68和GLM-10的61.

这些数字与HSS发布并列,显示了如何在不同的测试中比较AI评估结果,包括GLM-5.3,Kimi K3和Artificial Analysis.该模式对读者很有用,因为它将广泛的能力得分从视觉推理区分开来:模型可以在某些基准上表现强,但仍然无法解释场景隐藏的物理或社会逻辑.

下一阶段:航天器场景和首发问题

释放材料也超越屏幕扩展到航天器和AI系统.飞船可以自主运行.论点是,设计人员可以在假设它们将托管人工智能而不是人类的前提下重新设计太空船.一颗可能刺穿International Space Station (ISS) 的空间碎片带来致命后果可能会使同等但无人驾驶,没有压力的船舶基本上正常工作.

该材料还指出,基于太空的组装和后来的制造将使 AI 能够建造大型复杂的事物.然后它询问第一行动者是否可以获得综合优势.如果一个AI文明在太空中建立了立足点,它可能会从经济上和战略上占主导地位. 一个例子是工业飞轮,其中初始基础设施以更低的成本产生更多的能源和制造能力,从而产生更多基础设施.该材料也注意到太空具有很大的领域意识,在那里可能有空间力量拒绝其他人进入太空,并且第一次移动者可以向深层空间发送自我复制探测器.

在这个阶段,HSS是一个新的视觉推理基准,522个问题,而航天器讨论指向一个更长期的问题:是否 AI系统可以从解释地球上的场景转移到在人类存在不再被假设的环境中运行和建造.