前沿模型能看穿诱饵吗？Elorian测试视觉推理

判断

比较视觉推理模型的企业买家不应把Glimpse的50.48%视为同类对比胜利：它是单次内部运行，而论文中的前沿分数是报告设置下的三次运行均值，因此采购方应在付款前要求匹配、重复的DecoyCount结果。

依据

Elorian CEO Andrew Dai对Latent Space表示，Glimpse在1,660项内部测试的DecoyCount上得分50.48%，为单次运行，无智能体或工具测试框架；并表示评估图像和文本未用于训练，且在已检查数据中未发现重叠。与Mercor共同发布的论文报告前沿模型准确率低于50%；最高为GPT-6 Astra的43.17%，其次是Gemini-3.8-flash的32.71%、Qwen3.8-max的28.31%和Claude-Fable-5.1的25.22%，每项均为报告设置下三次运行的平均值。Dai表示，该基准同时测试视觉和推理，并揭示七种机制中可解释的计数失败，因为仅看最终数字的测试无法区分视觉遗漏与推理错误。论文结论是，更强的通用推理本身不会泛化到对齐视觉推理。