「【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？」
一图看透全球大模型！新智元十周年钜献，2025 ASI 前沿趋势报告 37 页首发
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：clockbench.ai/ClockBench....
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，我们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：