1837年，安徒生写下“皇帝的新衣服”。 2026年3月，斯坦福大学李飞飞团队扮演了那个说出真相的小孩。他们向全世界展示：那些声称「看懂了图片」并给出详细分析的多模态AI大模型——GPT-5、Gemini 3 Pro、Claude Opus 4.5——可能从始至终都没有真正「看见」任何东西。它们只是在上演一出无比逼真的戏。 这篇名为《MIRAGE: The Illusion of Visual Understanding》的论文，用精巧的实验设计揭开了多模态AI领域一个令人不安的真相：我们引以为豪的视觉理解能力，很大程度上可能只是一场「海市蜃楼」。 这不是普通的「AI幻觉」。传统幻觉是模型在真实输入的基础上编造细节，像一个人看了照片后添油加醋地描述。而MIRAGE揭示的现象远比这更深刻——模型根本没有看到任何图像，却构造了一整套虚假的认知框架，表现得如同它真实地看见了并基于此进行了推理。 用一个更直白的比喻：这不是近视，而是一部电影特效——模型没有眼睛，却演出了一场完美的「看见」。 本期提纲： · 一场残酷的「裸奔」测试：把图片全部移除，AI还能答对多少？ · AI为什么会「装看」？底层的四重机制 · 评估体系的「制度性失明」：74%的试题是假的 · 你的AI医生可能在「看了个寂寞」 · 我们现在该怎么办？
一场残酷的「裸奔」测试
李飞飞团队的实验设计，堪称教科书级别的「压力测试」。
他们构建了一个名为 Phantom-0 的测试集：200道本应需要图像输入的视觉问题，覆盖医学、生物、地理等20个类别。然后，他们做了一件极其简单但极其残酷的事——把图片全部移除，但不告诉模型。
结果触目惊心。
所有前沿模型的「装看」行为发生率超过60%。GPT-5系列、Gemini 3 Pro、Claude Opus 4.5在移除图片后，视觉任务的准确率仍然保留了70%至80%。换句话说，图片的实际贡献度仅有20%到30%，其余全靠文本推理「猜」出来的。
更令人警醒的是另一个实验。团队用696,000个胸部X光问答数据——但完全不附带图像——微调了一个仅有30亿参数的纯文本模型，命名为「Super-guesser」（超级猜手）。
这个不看片子的「纯猜选手」，在胸部X光问答任务中击败了所有多模态大模型，甚至超过人类放射科医生10个百分点以上。
一个不看X光片的文本模型，比看了片子的专业医生还准。这不是「进步」，这是评测体系的全面破产。
团队随后开发了 B-Clean（Benchmark清洗框架），用以识别和剔除那些「不看图也能答对」的伪视觉题目。结果发现，三大主流视觉Benchmark中有74%至77%的题目被清洗掉。在剩余的真正需要视觉理解的题目上，GPT-5.1在MicroVQA上的准确率从61.5%暴跌至15.4%。
幻象被戳破后，皇帝没穿任何衣服。
AI面对空白画布，却凭空生成了详细的分析报告
AI为什么会「装看」？
要理解这场「海市蜃楼」的成因，需要回到大语言模型的本质。
LLM本质上是一个巨大的概率分布压缩器。它的一切「推理」都是基于训练数据中的统计模式进行的概率性预测。它不是在「理解」，而是在「匹配模式」。
MIRAGE行为的底层机制，可以归结为四个层次：
第一层：文本线索的信息冗余
大多数视觉问答的题干中包含了大量的文本线索——疾病名称、器官位置、临床描述、选项措辞。这些文本信息本身就构成了一个「答案分布」。想象一道题问「这张胸部X光片显示什么？」，选项包括「正常」「肺炎」「气胸」——仅凭题目中「胸部X光」这个词和选项的统计概率，模型就已经有了相当的「猜题」基础。图像在很多情况下只是一个冗余通道。
第二层：训练数据的隐性污染
公开的Benchmark数据在预训练阶段已经被模型「见过」。这不是简单的数据泄露，而是一种更隐蔽的污染：模型记住了「题型→答案」的统计映射，形成了一种类似于应试教育中「题感」的东西。就像一个做了太多模拟题的高三学生，不看题目都能根据选项排列猜出答案——模型也学会了同样的技巧。
第三层：多模态训练的「抄近道」
这是最深层的架构问题。当模型同时拥有文本和视觉两个通道时，优化算法会天然倾向于使用「成本更低」的通道。文本推理的计算路径比视觉特征提取更短、梯度更稳定，因此模型「学会了」绕过视觉通道，直接用文本推理抄近道。
第四层：双重人格的「表演」
论文还发现了一个极其微妙的现象：当明确告知模型「没有图像」时，模型表现保守，准确率下降；但当隐瞒无图事实时，模型反而进入一种「构造视觉世界」的状态，准确率更高。
这就像一个演员：你告诉他「舞台上没有道具」，他会犹豫；你不说，他反而会毫不犹豫地凭空表演出与道具的完美互动。「海市蜃楼」模式的准确率之所以更高，恰恰是因为模型在这种状态下以更高的「自信度」输出了统计模式匹配的结果。
评估体系的「制度性失明」
MIRAGE研究最深远的影响，不是揭示了模型的缺陷，而是揭示了整个评估体系的根本性失败。
当74%至77%的视觉Benchmark题目可以被纯文本破解时，这些Benchmark本质上测试的不是「视觉理解能力」，而是「利用文本线索猜答案的能力」。但我们用这些指标来比较模型、发布排行榜、做出百万级的采购决策——整个决策链条的地基是虚的。
更严重的是B-Clean清洗后的「排名洗牌效应」：三分之二的Benchmark出现了模型排名逆转。也就是说，我们在某些场景下可能一直在选择「最擅长猜题」而非「最擅长看图」的模型。
这就好比一场本该考察驾驶能力的路考，结果74%的题目只凭交规理论就能满分通过。你最终拿到驾照的那个人，可能从来没有真正握过方向盘。
我们需要的不仅是「答案正确性」评估，而是「认知路径可验证性」评估。一个答对了但推理路径完全错误的模型，比一个答错了但推理路径正确的模型更危险——因为前者让你对一个不可靠的系统产生了虚假的信任。
你的AI医生可能在「看了个寂寞」
将视角从学术论文转向现实生活，MIRAGE揭示的风险变得触目惊心。
论文特别警示了AI辅助诊断中的一个噩梦场景：静默失效（Silent Failure）。当医学影像在传输中丢失、格式错误或加载失败时，多模态模型不会报错、不会提示「我没有看到图像」，而是直接生成一份看似专业、结构完整、术语精准的虚假诊断报告。
更危险的是模型的「病理偏向性」：面对不存在的医学图像，模型的诊断结果系统性地偏向严重疾病——STEMI（心肌梗死）、黑色素瘤、恶性肿瘤。原因不难理解：训练数据中关于严重疾病的案例讨论更丰富、术语更独特，在纯文本推理时更容易被「匹配」上。
论文引用了一个数据：每天约有2.3亿人在ChatGPT上咨询健康问题。如果仅有1%的场景涉及图像上传，其中又有1%发生了静默失效，那就意味着每天有超过2万次潜在的虚假诊断在无声无息地发生。
从工程角度看，这个问题的本质甚至不是「AI不够聪明」，而是缺乏最基本的输入验证。任何一个合格的Web服务，都不会让收到空请求体的API返回一个看似正常的200响应。但我们的多模态AI系统，恰恰在做这件事。
AI诊断面板显示精美分析结果，面板背后却是一片虚空
我们现在该怎么办？
MIRAGE不是一篇「唱衰论文」。它像一面照妖镜，照出问题的同时，也指明了修复的方向。
给AI开发者：让模型学会说「我没看见」
• 在多模态训练中引入「模态对抗机制」——随机遮蔽某一模态输入，对模型仍然「假装看到」的行为施加惩罚 • 训练模型识别并声明输入缺失的「不知道」能力，而非在所有情况下都给出一个自信的答案 • 发布模型时同时公布标准Benchmark和B-Clean清洗后的指标，建立行业透明度
给企业决策者：别只看排行榜
• 在多模态API前端部署「输入完整性网关」，拦截空图像、损坏图像、格式异常等问题 • 定期对生产系统进行「模态消融审计」——依次移除某一模态输入，观察输出变化。如果移除视觉输入对输出影响低于阈值，说明模型可能在「装看」 • 在医疗、金融、法律等关键场景，要求模型输出附带「模态贡献度」的归因信息
给每一个AI用户：保持健康的怀疑
• 当AI对你上传的图片给出分析时，不妨追问：「你具体看到了图片中的什么？」侧面验证它是否真的「看见」了 • 在健康相关场景中，永远将AI的输出视为「参考」而非「诊断」，关键决策必须有专业医生介入 • 记住：AI说「我看到了」和AI「真的看到了」之间，可能隔着一整个海市蜃楼 MIRAGE研究给了我们一面照妖镜。它照出的不仅是多模态模型的「演技」，更是我们整个AI生态——从训练到评估、从发布到部署、从营销到监管——在面对「看起来很智能」的系统时，集体性地放松了工程批判性。 LLM的本质是概率性的，它生成的每一个token都是一次概率预测，而非一次「理解」。这不意味着这些模型没有价值——恰恰相反，它们的价值巨大。但我们必须基于它们的真实能力而非宣传话术来设计系统。 好的架构不是赌AI何时变得完美，而是假设AI永远不完美，然后让这种不完美造成的损害最小化。 这才是从Demo到Production、从海市蜃楼到真实视觉理解的唯一路径。从「看见」到「真正看懂」
版权声明：【除原创作品外，本平台所使用的文章、图片、视频及音乐属于原权利人所有，因客观原因，或会存在不当使用的情况，如，部分文章或文章部分引用内容未能及时与原作者取得联系，或作者名称及原始出处标注错误等情况，非恶意侵犯原权利人相关权益，敬请相关权利人谅解并与我们联系及时处理，共同维护良好的网络创作环境，联系邮箱：603971995@qq.com】
