视觉大模型在基础感知任务上的挑战与突破

1. 项目背景与研究动机

计算机视觉领域近年来在高层语义理解方面取得了显著进展，但在基础视觉感知能力方面仍存在明显不足。深圳大学联合研究团队在CVPR 2026发表的OddGridBench研究揭示了一个有趣现象：当前最先进的大规模视觉模型在"找不同"这类基础视觉任务上的表现，竟然远逊于人类儿童的水平。

这个发现挑战了我们对视觉模型能力的传统认知。通常认为，随着模型规模的扩大和训练数据的增加，模型在各项任务上的表现都会同步提升。但OddGridBench实验表明，某些基础视觉能力的发展可能遵循不同的规律，不能简单地通过扩大模型规模来解决。

关键发现：当面对包含细微差异的网格图像时，人类受试者平均仅需2.3秒就能准确识别差异位置，而参数量超过100B的视觉大模型正确率不足60%，且响应时间长达15秒以上。

2. OddGridBench基准设计原理

2.1 任务形式与评估指标

OddGridBench采用网格对比范式，每组测试包含两张看似相同的N×N网格图像，其中仅有一个网格单元存在差异。差异类型包括：

• 颜色差异（色相、饱和度或亮度变化）
• 纹理差异（图案方向或密度变化）
• 形状差异（几何变形或轮廓变化）
• 复合差异（上述多种变化的组合）

评估采用三项核心指标：

1. 准确率：正确识别差异位置的比率
2. 响应时间：从呈现图像到做出响应的时间
3. 鲁棒性：对噪声、遮挡等干扰因素的抵抗能力

2.2 难度分级体系

基准包含五个难度等级：

1. 初级（5×5网格，高对比度差异）
2. 中级（7×7网格，中等对比度）
3. 高级（10×10网格，低对比度）
4. 专家级（动态网格，差异随时间变化）
5. 终极挑战（复合网格，多个差异维度）

这种分级设计使得基准能够全面评估从基础到复杂的视觉感知能力，同时为模型改进提供明确的方向指引。

3. 关键技术实现方案

3.1 人类视觉系统模拟

研究团队开发了基于注意力机制的视觉感知模拟器（VPS），其核心组件包括：

• 初级特征提取层：模拟视网膜和V1区的局部感受野
• 动态注意力机制：模拟人类眼跳和焦点转移
• 全局-局部协同处理：整合中央凹高分辨率与周边视野信息

python复制class VisualPerceptionSimulator(n