3 月 30 日，斯坦福大学李飞飞团队发布了一篇论文《海市蜃楼：视觉理解的幻象》。
研究发现，GPT-5、Gemini 、Claude 这些大模型根本“看不见”。
研究团队在涵盖医疗与通用场景的 6 个基准测试中，测试了 GPT-5.1、Gemini-3-Pro、Claude Opus 4.5 以及 Gemini-2.5-Pro。
然后悄无声息地移除了所有图片，照片、扫描报告或 X 光片等。
没有警告，也没有修改提示词。
模型竟然完全没有察觉。
它们依然在详细地描述图片内容、诊断病情、书写完整的推理逻辑，且准确率依然保持在 70% 到 80%。
但这些全靠识别根本不存在的图像而生成。
论文将其称为 “海市蜃楼效应”（Mirage Effect）。
研究团队认为，这比“幻觉”（Hallucination）更可怕。
幻觉是针对真实输入编造出错误细节。
而海市蜃楼，则构建出一整个虚假的现实，并自信地以此进行推理。
在测试中，模型构造出了虚构的 X 光片、描述了假的结节、诊断了疾病——却全都是靠文本模式生成的。
但这还不是最可怕的。
他们训练了一个“超级猜测器”——一个仅有 30 亿参数的纯文本模型。
它零视觉能力。
在最大规模的胸部 X 光基准数据集（69.6 万个问题）上对其进行了微调，且将图片全部移除。
结果它打败了 GPT-5、打败了 Gemini、打败了 Claude。
甚至打败了真正的放射科医生。
在隐藏的测试集上排名第一——而它从未看过任何一张 X 光片。
它生成的推理逻辑，与真实的视觉分析毫无区别。
还有更让你细思极恐的地方——
当模型“虚假观看”医疗影像时，它们的海市蜃楼式诊断会严重偏向于最致命的病症。
ST段抬高型心肌梗死（STEMI）、黑色素瘤、癌。
——来自根本不存在的图像，做出危及生命的诊断。
要知道，每天有 2.3 亿人在 ChatGPT 上询问健康问题。
研究团队还发现了一个反常现象，即告诉模型“这里没有图片，随便猜”，性能会下降。
而当悄悄移走图片却让它误以为图片存在时，性能反而会保持高位。
也就是说，模型进入了 “海市蜃楼模式”后，它不知道自己是“瞎”的。而且在它不知道自己看不见的时候，表现反而更好。
当斯坦福应用他们的清理方法（B-Clean），去处理现有基准测试时，74%-77% 的测试样本被剔除了。
四分之三的“视觉”基准测试，根本不是在测试视觉。
也就是说，我们看到的所有排行榜、所有“多模态突破”、所有基准测试分数，都是建立在海市蜃楼之上的。
多模态概念还讲得下去么？
其他阅读：
