新智元报道

编辑：KingHZ

【新智元导读】一般人准确率89.1%，AI最好只有13.3%。在新视觉基准ClockBench上，读模拟时钟这道「小学题」，把11个大模型难住了。为什么AI还是读不准表？是测试有问题还是AI真不行？

90%人都会的读钟题，顶尖AI全军覆没！

AI基准创建者、连续创业者Alek Safar推出了视觉基准测试ClockBench，专注于测试AI的「看懂」模拟时钟的能力。

结果让人吃惊：

人类平均准确率89.1%，而参与测试的11个主流大模型最好的成绩仅13.3%。

就难度而言，这与「AGI终极测试」ARC-AGI-2相当，比「人类终极考试」更难。

ClockBench共包含180个时钟、720道问题，展示了当前前沿大语言模型（LLM）的局限性。

论文链接：http://clockbench.ai/ClockBench.pdf

虽然这些模型在多项基准上展现出惊人的推理、数学与视觉理解能力，但这些能力尚未有效迁移到「读表」。可能原因：

训练数据未覆盖足够可记忆的时钟特征与时间组合，模型不得不通过推理去建立指针、刻度与读数之间的映射。

时钟的视觉结构难以完整映射到文本空间，导致基于文本的推理受限。

也有好消息：表现最好的模型已展现出一定的视觉推理（虽有限）。其读时准确率与中位误差均显著优于随机水平。

接下来需要更多研究，以判定这些能力能否通过扩大现有范式（数据、模型规模、计算/推理预算）来获得，还是必须采用全新的方法。

ClockBench如何拷打AI？

在过去的几年里，大语言模型（LLM）在多个领域都取得了显著进展，前沿模型很快在许多流行基准上达到了「饱和」。

甚至是那些专门设计来同时考察「专业知识与强推理能力」的最新基准，也出现了快速突破。

一个典型例子是Humanity’s Last Exam）：

在该基准上，OpenAI GPT-4o的得分仅2.7% ，而xAI Grok 4却提升到 25.4%；

结合工具使用等优化手段后，结果甚至能进入40–50%区间。

然而，奶茶视频APP仍然发现一些对人类而言轻而易举的任务，AI表现不佳。

因此，出现了SimpleBench以及ARC-AGI这类基准，它们被专门设计为：对普通人来说很简单，但对LLM却很难。

ClockBench正是受这种「人类容易，AI困难」的思路启发而设计。

研究团队基于一个关键观察：对推理型和非推理型模型来说，读懂模拟时钟同样很难。

因此，ClockBench构建了一个需要高度视觉精度和推理能力的稳健数据集。

ClockBench究竟包含什么？

36个全新设计的定制表盘，每个表盘生成5个样本时钟

总计180个时钟，每个时钟设置4个问题，共720道测试题

测试了来自6家实验室的11个具备视觉理解能力的模型，并招募5名人类参与者对比

问题分为4大类：

1. 判断时间是否有效

有一个时钟️，大模型需要判断这个时钟显示的时间是不是有效的。

如果时间是合法的，大模型需要把它分解成几个部分，并以JSON格式输出：

小时 (Hours)、分钟 (Minutes)、秒 (Seconds)、日期 (Date)、月份 (Month)、 星期几 (Day of the week)

只要表盘包含上述信息，就要求LLM一并输出。

2. 时间的加减

该任务要求LLM对给定时间进行加减，得到新时间。

3. 旋转时钟指针

这个任务是关于操作时钟的指针。该任务要求模型选择时/分/秒针，并按指定角度顺时针或逆时针旋转。

4. 时区转换

这个任务是关于不同地方的时间。比如，给定纽约的夏令时，模型需推算不同地点的当地时间。

结果出乎意料

结果有哪些出乎意料的发现？

模型与人类不仅正确率差距巨大，错误模式也截然不同：

人类误差中位数仅3分钟，最佳模型却高达1小时

较弱模型的误差约3小时，结合12小时制表盘循环特性，相当于随机噪声

另一个有趣发现是，某些钟表特征的读取难度存在显著差异：

在读取非常见的复杂钟表及高精度要求场景时，模型表现最差

罗马数字与环形数字的朝向最难识别，其次是秒针、杂乱背景和镜像时钟

除了读时，其他问题对模型而言反而更简单：

表现最佳的模型能高精度回答时间加减、指针旋转角度或时区转换问题，部分场景准确率可达100%

在不同模型的表现对比中，总体趋势是：规模更大的推理型模型普遍优于规模较小或非推理型模型。

不过，也出现了一些值得注意的现象：

谷歌的Gemini 2.5系列模型在各自类别中往往领先于其他模型；

Anthropic系列模型则普遍落后于同类模型；

Grok 4的表现远低于预期，与其规模和通用能力并不相称。

GPT-5排名第三，且推理预算对结果影响不大（中等与高预算得分高度接近）值得思考的是：何种因素制约了GPT-5在此类视觉推理任务的表现？

在原始数据集中，180个时钟里有37个属于无效（不可能存在）的时间。无论是人类还是模型，在识别「无效时间」时的成功率都更高：

人类差异不大：在无效时钟上的准确率为96.2%，而在有效时钟上为89.1%；

模型差异明显：在无效时钟上的准确率平均高出349%，并且所有模型在这类任务中的表现都更好；

Gemini 2.5 Pro依旧是总体最佳模型，准确率达到40.5%；

Grok 4则是一个异常值：它在识别无效时钟上的准确率最高，达到64.9%，但问题在于，它把整个数据集里63.3%的时钟都标记为无效，这意味着结果很可能是「随机撞对」。

在模型能够正确读时的钟面上，存在明显的重叠现象：

61.7%的时钟没有被任何模型正确读出；

38.3%的时钟至少被1个模型读对；

22.8%的时钟至少被2个模型读对；

13.9%的时钟至少被3个模型读对；

8.9%的时钟至少被4个或以上的模型读对。

整体来看，分布情况和有效性数据表明：模型的正确答案集中在某一小部分时钟上，而不是均匀分布。

参考资料：

http://x.com/alek_safar/status/1964383077792141390

http://clockbench.ai/