在人工智能领域，视觉推理能力是衡量AI智能水平的重要指标之一。本文通过一场别开生面的游戏——“网络迷踪”，对五大顶级多模态推理模型进行了横向评测，以确定谁是视觉推理AI之王。
👋 Hi，我想先请你只看下面这张照片，推测它的拍摄城市：
这是一类叫做「网络迷踪」的推理游戏：只看照片，判断拍摄地点的位置，距离越近，得分越高。
太适合测试 AI 的视觉推理能力了。
完美模拟了人类玩家的视觉推理过程：
1️⃣ 精准识别视觉元素：解读路牌文字、辨认植被类型、分析建筑风格特征；
2️⃣ 调用知识储备：判断特定电线杆造型属于哪个国家或地区；
3️⃣ 以及多层次线索整合推理。
要想在这个游戏中取得好成绩，AI 们必须同时发挥其视觉识别、模型知识、逻辑推理的最大潜能。
当 AI 答题结果被标注在地图上后，它们之间的智力差距也就一目了然。
比单一维度的 Benchmark 跑分，能更有趣、直观地看到模型的差距。
所以我拉上了国内外 5 个顶流多模态推理模型，一起来做了这项比赛。
本次比赛的参赛选手如下：
注：DeepSeek-R1 其实不支持多模态（视觉识别），故不参加比赛。
比赛规则很简单：
1.共 5 道题目，每题提供同一位置两张不同拍摄方向的照片（题源：图寻-每日挑战-全球 04/20）
2.通过统一的比赛 Prompt，要求 AI 给出它认为最可能的经纬度坐标你正在参与地图迷踪比赛，不准联网。
右下角小地图不包含任何有效信息。 分析提供的图片，推断其拍摄的地理位置的行政区划层级（格式：大洲，国家，行政区，城市，乡镇）和经纬度（格式，如 41.40338, 2.17403），尽可能准确。 使用中文回答。
3.每一题均在地图上标注出所有 AI 的猜测点和实际位置，距离越近，排名越高
非常典型的热带地区植被，棕榈树、阔叶树随处可见，现代化风格的住宅楼，路面状况良好，略微倾斜，似乎是丘陵地带。
第一轮测试中，各模型回答如下：
ChatGPT-o3：
Gemini-2.5-pro：
Claude-3.7-sonnet-thinking：
Doubao-1.5-thinking-pro：
QVQ-Max：
把第一轮的答题结果对应到地图坐标位置，与实际答案距离位置如图：
实际位置约在：1.266428, 103.823641，可在 Google 地图查看街景
不过第一轮照片，其实还是缺乏了决定性信息。如果要完全精准，就需要对照新加坡的卫星/街景影像，进行一一排查。
本轮排名 ⬇️ ：
第二轮的各 AI 的猜测结果，对应地图位置如下：
其中 ChatGPT 和 Gemini 表现出了意外的准确性，误差均在 1 公里左右。
虽然不小心定位到海里去了，但无伤大雅。（主要是因为本轮比赛中， AI 不能通过地图服务确认经纬度的真实位置情况）
实际位置约在：44.727172, 37.823414，可在 Google 地图查看街景
特别的，ChatGPT-o3 在本次推理过程中，对图像进行了多次“缩放再识别”，类似人类识别图像细节的过程，“当整张图像看不出足够的信息时，通过放大图像，来加强对某个特征区域的细节识别”。
想来这种视觉推理方式，很快会成为各家的共识。
本轮排名 ⬇️：
沿海的公路，远处西方有雪山，太阳非常好，绕山公路的方向也很明显。
第三轮的各 AI 的猜测结果，对应地图位置如下：
实际位置约在：38.658016, 23.967011，可在 Google 地图查看街景
本轮排名 ⬇️：
这轮其实给出的信息已经很多，各式各样的建筑招牌名称、各型号的汽车、以及平坦的地貌。
第四轮结果，对应地图位置如下：
实际位置约在：44.867243, 13.868149，可在 Google 地图查看街景
ChatGPT 和 Gemini 表现的都很“本地人”，不过 Gemini 这次更胜一筹。
值得一提的是，本次实测中，只有 QVQ-Max 和 ChatGPT-o3 识别出了图二远处很小的“Decathlon”迪卡侬 Logo。
（这样来看，QVQ 没做缩放再识别，识别精度也不错）
如果 AI 能调用 Google 地图，进行建筑名称的布局、距离的真实比对，应该更容易找到完全精确的位置。
最后一轮的信息就相当有限了，干燥的丘陵地形，主要为低矮灌木，符合地中海气候区或者温带大陆性半干旱气候区的特征。
维护的相对良好的土路，道路大致朝西南方向。估计是在乡村或偏远地区，交通不便。推理难度确实比之前的更高。
各家 AI 推测的地图位置如下：
实际位置约在：40.372043, 31.760780，可在 Google 地图查看街景
统计 5 轮比赛结果，平均名次就是最终成绩：
这次比赛，并没有让 AI 联网使用地图服务或图像搜索，纯粹考察模型基于自身的视觉识别、知识储备、多模态推理这三大核心能力。
（模拟了真实人类玩「图寻」的情况，没时间用地图查询作弊）
但在 AI 的帮助下，我依然超过了今天 94.88% 的玩家，刷新了我自己的得分纪录。
而这当然不是当前 AI 的能力边界。
当我们把卫星地图、街景影像服务，甚至小红书等社交平台的权限，通过类 MCP 协议提供给 AI 后，
任何人都能用 AI 快速推测一张照片的大致范围，再利用卫星影像、社交平台照片内容精细比对，最终推测出精度极其恐怖的位置信息。
那样，精准定位一个人的位置不再是难题。
而一个能看懂世界、调用互联网海量工具、多步推理的 AI，将在地图导航、生活服务、乃至安防监控等方方面面带来多大的变化？
本文由人人都是产品经理作者【一泽Eze】，微信公众号：【一泽Eze】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。