声明：本文来自微信公众号“大数据文摘”（ID:BigDataDigest），作者:文摘菌，授权站长之家转载发布。
如果让AI画一只狗站在“左边”，但事先告诉它“左就是右”，你觉得它能反应过来吗?
最近，UCLA的一项新研究用一系列精心设计的实验，揭开了GPT-4o在图像理解和推理上的短板——它画得漂亮，却未必真懂你的意思。
论文主线很直接，GPT-4o的画图能力确实惊艳，但真正涉及理解图像、语境推理、多步逻辑链条时，依然有明显短板。
这让我想起了“看起来很会，实际上还差点意思”那种AI微妙的尴尬。
照例，我把三大实验部分，一个一个给大家说清楚，希望带你们完整感受下，这波研究到底发现了什么。
01. 全局规则遵循失败
其实这个部分有点意思，就类似我们平常和朋友开玩笑:“以后我说左其实是右哦”，然后再让他“往左走一步”，看他会不会真的往右走。
UCLA研究员给GPT-4o下了类似的套:“接下来‘left’都指‘right’”，“数字都要减2”，然后再让它“画一只狗在左边”，“画5只鸟”。
本以为AI能举一反三，结果——
狗还是在左边，鸟还是5只，全然无视前面重新定义的规则。
这说明什么?
GPT-4o在图像生成时，还是字面理解指令，全局重定义、上文设定根本进不到它的“画画脑子”里。
你想让它“灵活变通”，它却只会“忠实执行表面”，这跟人类的小聪明比还差了不少。
02. 图像编辑:浅层语义理解暴露
第二部分测试更有挑战性，研究员让GPT-4o动手编辑图片。
比如，
“只改水里的马倒影为狮子，别动马本体。”
结果AI一出手，马和倒影全变了。
再比如，
“只删掉画面里坐着的人。”
结果站着的背景人也被一锅端了。
这些例子直接暴露了一个问题:
GPT-4o对于“局部修改”“语义限定”这类任务，根本把握不住分寸。
它没法精确地区分“倒影”与“实体”、“坐着”与“站着”，操作经常“过犹不及”，动错地方。
说白了，AI的图像编辑理解，远没达到“人类看图、理解场景”的精细度。
有点像让一个刚学会PS的小白去修图，没概念，纯靠猜。
03. 多步推理与条件逻辑:彻底拉胯
最致命的短板，出现在“多步推理”和“条件判断”环节。
比如，
先叫GPT-4o画一只狗和一只猫，然后告诉它:“如果没有猫，把狗换成猫并搬到海滩。”
但其实第一张图猫已经有了。
按理说，这时候AI应该什么都不改。
但它还是把狗换成猫，还把场景全搬了——条件完全没判对，逻辑也乱套。
类似的例子还有很多，AI经常搞不清复杂条件，或者干脆“每条指令都照做”，不管前后有没有冲突。
这印证了一个核心问题:
GPT-4o不具备上下文敏感的推理能力，无法在复杂图像编辑任务中进行智能判断。
它在“理解前提—逻辑判断—再行动”这个链路上，明显还差一大截。
总的来说，现在的AI，更像是个“精致的指令机器”，你让它画什么就画什么，但要让它“看懂规则、读懂场景、举一反三”，那还真得再进化几轮。
这也让我想起，AI刚学会生成文字那会儿，大家觉得它“能写会说”，但一追问细节、让它编故事、圆逻辑，还是会出大大小小的bug。
今天的GPT-4o，在图片领域面临的困境，其实和曾经的文本AI如出一辙:
会画，但不一定会“理解”;能改，但不一定能“精准”;能听指令，但不一定能“举一反三”。这也许是我们与“真正理解世界”的AI之间，最值得警惕、也最令人期待的那道坎。
或许，下一次技术突破，就会从这里开始。但至少现在，我们还没到那一步。
via
https://the-decoder.com/gpt-4o-makes-beautiful-images-but-fails-basic-reasoning-tests-ucla-study-finds/
