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：https://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。
一、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。
二、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：
https://x.com/alek_safar/status/1964383077792141390
https://clockbench.ai/
本文来自微信公众号：新智元，作者：新智元，编辑：KingHZ