Elorian 与 Scale AI 联合发布了名为 Humanity's Sixth Sense（HSS）的多模态评测基准。这项测试不测刷题也不测代码，而是专门考察大模型对物理常识与视觉画面的直觉推理能力——比如一张书架照片能否再塞进一本书，或者马匹拉犁的铁链是否承受着阻力。测试结果给当前盲目乐观的通用多模态预期泼了一盆冷水：人类基线得分高达 93.1，而目前最强的前沿模型 GPT-6 Astra 仅拿到 53.6%±4.1。
这揭示了一个长期被基准跑分掩盖的事实：当模型在数字世界里的编程与工具调度上逼近人类工程师时，它们对物理现实的常识推断依然极其脆弱。当前的大语言模型靠海量文本与图像对齐学到了某种世界常识，但距离真正理解物理交互规则仍隔着一层厚重的窗户纸。
522道常识考题背后的认知分水岭
HSS 并非随手拼凑的网络图库。评测组从最初的 3,466 项任务起步，经过 3 轮独立审查并要求全票一致通过，最终收缩为 522 项开放式任务，包括 288 张图像和 234 段视频，视频总时长达 17.6小时。
这项测试的测试工况极其严苛。GPT-6 Astra 在评测中被赋予了最大推理强度：128k 输出上限，采样帧率设定为每秒 2 帧且最多输入 500 帧。即便在如此充裕的算力消耗下，模型的得分也才刚过及格线。一个决定性的对照实验在于，当评测组剥离图像与视频输入、要求模型仅凭纯文本盲猜时，GPT-6 Astra 的得分瞬间跌至 6.6%±1.5。这有力地反驳了多模态模型靠文本先验蒙混过关的质疑，但也证明了它们在图像输入下获得的 53.6 分，就是目前多模态表征能力的真实天花板。
评测组深入统计了模型答错的原因，最核心的两项破绽非常集中：
- 漏看决定性细节.占所有错误归因的 21%；
- 物体或角色识别错误.占所有错误归因的 20%。
决定物理世界交互胜负的，往往不是玄妙的数理推演，而是最基础的视而不见。
这表明现有多模态架构并不具备显式、稳定的物理世界建模机制。学术界长期争辩通用世界模型能否从语言模型的尺度扩展中自然涌现，HSS 给出的答案只能算半个：模型的确涌现出了超出瞎蒙的直觉概率分布，但在具身控制和物理干预所必须的细粒度空间感知上，漏洞百出。
开源生态的能力割裂：代码霸权与物理盲区
如果把视线转回开源生态，能力的断层则呈现出极其奇特的地缘分化。西方行业舆论在审视 HSS 时，往往抓住中国开源模型的糟糕表现不放：GLM-5.3-flash 得分仅为 26.8，Kimi K3 得分为 25.5，几乎只有 GPT-6 Astra 的一半。但这种对比掩盖了更深层的工程分工差异。
在严肃的软件工程与长链条工具调用任务中，格局完全相反。欧洲头部模型 Mistral 发布的 Mistral Large 4，以及主打高 token 效率的 Reflection Beam（501B 参数 MoE，激活 23B），在实际工程评测中均无法压制中国同代模型。
在衡量真实软件工程解决能力的 DeepSWE 1.1 基准上：
- Kimi K3 达到 68 分；
- GLM-5.3 达到 61 分；
- Mistral Large 4 获得 62 分；
- Reflection Beam 则落在 44.4 分。
在针对命令行交互的 Terminal-Bench 4.0 测试中，GLM-5.3 跑出 41.9 分，而 Mistral Large 4 仅为 28.3 分。这表明中国技术团队在过去一年将海量算力和强化学习管线极度倾斜到了代码、数学与智能体环境的逻辑闭环上，换取了数字世界任务的高解析力。但代价同样醒目：由于在空间因果与常识视频数据资产上的训练投入不足，模型一旦被拖入现实画面的推演，立刻显得捉襟见肘。
- 结论.开发者在做技术栈选型时，不能被单一维度的综合评分误导；依赖代码生成与自动化工作流的业务应坚定采用高强化学习权重的工程模型，而涉及机器人具身规划或视觉风控的系统，目前开源模型尚无合格选手。
自动化评测的盲区与自我进化的时间表
HSS 基准的设计本身也留下了一个方法论悬念：它的自动化裁判并不看图。整个基准是由 Claude Opus 5 仅根据问题、标准参考答案以及刚性评分细则，作为文本裁判对被测模型的回答进行终审裁决。
这种设计虽然规避了多模态大模型在判定画面时的双重主观偏差，但在社会心理理解（Theory of Mind）与动态因果这类非二元对立的软性题目中，Opus 5 本质上是在对标人类标注员的主观倾向，而非物理事实的绝对真值。这种 LLM 互判的闭环结构，已成为当前前沿基准评测的通用妥协。
但算法自身的科研品味确实在快速跃迁。P-Zero Research 推出的 TasteVal 基准揭示，模型在提出前沿 AI 实验假设、设计验证管线并分析结果的科研能力上，自 2025 年 12 月以来每 3 个月就翻一番。Opus 5.5 在算力倍率达到 2.30 倍的条件下，科研审美显著超越了由来自 OpenAI、Google DeepMind 等机构 24 位专家构成的人类基线，而单次尝试成本仅为人类专家的约三十分之一。
正因这种科研闭环的加速，行业对递归自我改进（RSI）的预期被显著拉前，从早先认为的 2028 年提前至 2027年。
太空AI霸权遭遇热力学铁律
在算法自迭代狂飙的同时，关于 AI 扩张至物理外太空的宏大叙事也开始发酵。《AI Frontiers》近期描绘了这样一副图景：依托星舰（Starship）等重型运载工具的轨道发射降本，2030 年代将诞生轨道上的自主 AI 工业体系。该观点认为，由于无人飞船无需维持生命维持系统和增压环境，抗微陨石穿孔能力更强，先发国家或自主探针将通过能源与自复制制造形成指数级累积的深空霸权。
然而，这种地缘科幻推演忽视了冰冷的工程硬约束。美国政府问责局（GAO）在 2026 年 4 月的一份专题报告中明确指出了轨道计算的底层瓶颈：
- 真空散热极限.太空是绝热真空，数据中心服务器在地面依赖风冷或水冷对流，而在轨散热必须纯靠巨大辐射散热板（radiators）将热量以红外辐射形式排出，功耗扩展比地面苛刻数个数量级；
- 辐射硬化代价.前沿 GPU 高密度制程极易受到宇宙高能粒子翻转损坏，抗辐射加固或屏蔽层会急剧消耗载荷载重；
- 自主决策分级.尽管 NASA 已经在 Starling 和 CAPSTONE 任务上验证了编队自主导航，在 DART 任务上验证了末端自主撞击制导，但这些依然严格受限于预设工况。
- 风险.将地面未成熟的世界模型直接映射为轨道自闭环工业实体，是在工程上严重超前的技术冒进；短期内太空算力仅能充当观测卫星下行链路的过滤剪枝节点，根本无法承载全参数大模型的闭环训练与失控迭代。
AI 争夺星辰大海的野心最终仍要落回物理现实的引力场中。无论是微观层面上连一副推车链条拉力都难以看懂的多模态视觉盲区，还是宏观尺度上无法被算法逻辑消除的轨道热力学排热板，都在持续提醒所有从业者：代码的递归可以无限加速，但世界的演进永远受制于物理法则。