数错手指的 AI：多模态只是 “看到” ， DINO-X 却在 “看清” 世界

主流多模态模型正在遭遇一场 “认知危机”：它们能写代码、做报告，却在最基础的视觉任务上栽跟头。Grok 4 发布以后，社交网络上首先爆火的不是 AGI 来临，而是“AI 到底能不能数清手指”。

无独有偶，不仅仅是 Grok4，包括 Claude 4、ChatGPT o3、doubao 1.5-thinking-vision-pro 等主流模型都统一翻车。不只是手指，越是常识性、知名度越高的图像相关的视觉内容，多模态模型的识别准确率越低，比如国旗、知名的企业或产品 Logo 等。

来自 KAIST、威廉玛丽学院和阿尔伯塔大学的学者留意到这一现象，并据此发布了《视觉语言模型存在偏见（Vision Language Models are Biased）》论文。研究测试表明，互联网海量先验知识会让视觉语言模型（VLMs）的输出偏向错误或带有偏见；甚至越先进的视觉语言模型 ，认知偏差越严重，比如无法识别出原本 3 条纹的阿迪达斯 logo 被加了第 4 条纹。在动物、logo、国际象棋、桌面游戏、视觉错觉、图案网格等 7 类计数任务里，这些模型平均准确率仅 17.05% 。这意味着在容错率极低的工业或工程场景中，视觉语言模型的偏见将造成灾难性的影响。

为了解决 AI 与现实世界交互的幻觉问题，DINO-X 视觉模型选择了“视觉原生”的道路——仅仅“看到”是不够的，要先让模型 “看清”世界，即通过图像识别来理解物体的属性、场景关系、甚至预测变化，然后再基于真实的物体特征感知去检索、思考，最终输出准确的生成结果。而“看清”世界的基石，则是万物检测。

回到“数手指”的例子，如果用户通过 API 或 MCP 整合 DINO-X 视觉模型的能力，然后再基于 DINO-X 视觉模型输出的目标检测结果询问大语言模型，那么大语言模型就能够立即得到准确的答案。

通过 DINO-X 的能力“看清”世界，大语言模型以及基于此搭建的智能体将能够执行更加精确的任务，比如工业检测、健康管理、家居安防等：

在通用能力以外，面对海量且碎片化的长尾场景，DINO-X 提出了全新的定制模板能力。用户只需要提供少量数据，即可基于 DINO-X 训练出高精度“专属小模型（大模型+定制模板）”，无需进行微调或投入资源开发专用模型。

DINO-X 的愿景是通过精准的物体理解，让 AI 融入日常，实现与现实世界的无缝交互。从主流多模态模型以知识为基石去“看到”世界，到 DINO-X 以万物检测为基石开辟出 “看清” 世界的新路径，我们看到了 AI 在与现实世界交互中不断突破的可能。随着技术的不断迭代，以 DINO-X 为代表的创新模型，将推动 AI 真正跨越从“看到” 、“看清”，再到“看懂” 的鸿沟，为构建更智能、更可靠的未来世界提供支持。

== 彩蛋 ==

1. 论文《Vision Language Models are Biased》，作者：An Vo，Khai-Nguyen Nguyen，Mohammad Reza Taesiri，Vy Tuong Dang，Anh Totti Nguyen，Daeyoung Kim，链接：https://arxiv.org/html/2505.23941v1。

2. DINO-X MCP 全新上线：https://github.com/IDEA-Research/DINO-X-MCP

3. 定制专属长尾模型或调用社区模板：https://cloud.deepdataspace.com/custom/market