最近，一篇被Yann LeCun转发的ICML 2025研究结果显示，在CoreCognition基准1,503题大考中，230个主流模型纷纷暴露对于世界模型的「常识性盲区」。

再大的多模态语言模型，也缺少人类婴儿就有的「核心知识」地基，即使高层推理再花哨，也架不住地基塌陷。

从下面这张震撼的对比表中，我们可以看到模型在12项「幼儿园」测试中，集体翻车。

Object Permanence：人类88.1%，最强模型InternVL3-78B仅74.1%，差距14%；

Perspective Taking：人类91.99%，最强模型QVQ-72B-Preview也仅83.25%，差距9%；

Intuitive Physics：人类91.52%，最强模型GPT-o1仅75.45%，差距超16%，各大模型普遍落后10-30%不等。

来自加州大学圣地亚哥分校、约翰霍普金斯大学、埃默里大学、北卡罗来纳大学教堂山分校、斯坦福大学、卡内基梅隆大学等机构的研究人员联合认知科学领域科学家，花费一年时间构造并开源了业界首个核心认知基准CoreCognition。

其中包含1,503道精选题目从感知运动到形式运算12项核心能力，每个概念95+样本，全面覆盖人类认知各个发展阶段。

论文链接：https://arxiv.org/pdf/2410.10855

项目网站：https://williamium3000.github.io/core-knowledge/

开源数据集：https://huggingface.co/datasets/williamium/CoreCognition

此外，联合团队还维持了三个高标准：

判别性（缺乏目标核心知识的模型必然选错答案）


最小混淆（避免依赖物体识别等无关能力）


最小文本捷径（答案不能仅通过文本推导获得）

12名标注员协作完成数据集构建，经过双轮交叉验证和20人Amazon Mechanical Turk人工校验。

230个模型大考，涵盖GPT、Claude、Qwen等主流商业模型及开源模型；11种提示策略，全方位测试模型真实能力。

据悉，团队不仅构建了均衡答案位置和混合答案解析的完整评测基础设施，而且还计划开源一个支持这230个模型的MLLM统一测试框架，亮点是极易上手。

只需几行代码就能复现本文章及其他热门数据的全部实验结果！

更绝的是团队独创的Concept Hacking方法，专门用来识破模型是「真懂」还是「假懂」

核心思路：给每道题做一个保持所有无关细节完全相同，只把核心概念反转的「孪生题」

原版题：图像顺时针旋转90°后，看起来像鸭子还是兔子？→ 测试真正的perspective taking转换理解

孪生版：同样的旋转操作，但正确答案相反 → 测试是否只是在套用固定模板

人类表现：两题都答对（真正理解空间旋转后的形状变化）

模型表现：原版答对，孪生版直接翻车（暴露对「鸭兔错觉」的刻板印象依赖）

实验里，模型在低阶任务上集体表现不佳。这说明它们的高级推理/感知没有扎根于人类婴幼儿就具备的核心知识。面对不同表述方式和背景变化时无法表现出robust且稳定高水平的能力。

关联性矩阵显示了模型能力间的「分裂」现象：低阶能力如Permanence、Continuity与对应高阶能力如Perspective Taking、Conservation几乎零相关。人类认知发展是下层搭积木，上层盖高楼，层层递进；

模型现状是高楼直接悬空，缺乏发育链条支撑。这种能力间的断裂意味着任何基础认知的扰动，都可能让整个「智能大厦」瞬间散架。

统计发现，除了Perspective和 Intuitive Physics，10项核心能力得分与26个公开基准（除了偏向检验OCR能力的ChartQA）强正相关。

换句话说：核心知识越好，高层任务越稳。

而作为人类高级推理的基础Perspective和Intuitive Physics能力，在基准测试评估结果中展现的低相关性，与我们之前在关系矩阵中观察到的结果一致，正是核心知识缺陷的体现。

把219个模型从1B拉到110B，低阶能力曲线几乎一条水平线；perspective taking甚至随规模下降。

过往「大力出奇迹」的经验，在核心知识面前直接失灵。一个尚未解决却又可能帮助构建世界模型的关键课题是从「如何scale」变成「如何scale出core-knowledge」。

Concept Hacking结果显示：大模型在孪生题上的表现相对小模型整体并无提升，甚至有些更加糟糕，说明scaling无法解决在核心知识问题上的「捷径依赖」。

直观感受：模型不是「长大变聪明」，而是长大变滑头。

通过定量分析发现，模型可以分为四类：

核心知识型：控制题和操作题都答对（接近人类，但数量极少）

捷径依赖型：控制题对，操作题错（最常见，包括GPT-4o等明星模型）

核心缺陷型：控制题就答错，操作题表现无意义

盲猜型：两题都靠运气

推理增强也救不了（10/12 任务无提升）：问题不在「用没用好」，而在「底子有没有」，「预训练缺失」仍是最大嫌疑。

有趣的是，团队发现认知指令提示——直接告诉模型「这是perspective taking任务」等概念描述，可瞬间带来6%的性能提升，表明模型内部可能已经分布式地存储了相关知识，但缺乏有效的检索和调用机制。

然而，这种方法在实际应用中局限性明显，因为现实场景中模型不太可能获得如此明确的概念指导。

更令人担忧的是，这种核心知识缺陷可能在关键应用中带来风险：比如自动驾驶中对遮挡物体的理解偏差，或者机器人在复杂场景下的物理常识判断失误。

从「写诗作画」到「常识翻车」，这项研究再次提醒我们：真正的智能，不只是参数规模，更是对世界最朴素、最基础的理解。

当我们惊叹于大模型在高阶任务上的神奇表现时，是否忽略了连三岁孩子都懂的常识？忽略了正在悄悄放大的低阶核心知识空洞？

规模、推理、提示，都只是裱糊匠——地基没打好，楼越高越危险。

或许，这正是我们重新思考AI发展路径的契机：不是一味追求更大、更强，而是回到最初——那些让人类智能如此稳健可靠的核心认知能力。