Each language version is independently generated for its own context, not a direct translation.
这篇论文介绍了一个名为 ORDINALBENCH 的新工具，它就像是一个专门用来“体检”人工智能（特别是视觉语言模型，VLM）的超级数学迷宫。
为了让你更容易理解，我们可以把现在的 AI 想象成一个超级聪明的“看图说话”学生。这个学生在识别物体（比如“这是一只猫”、“那是一辆车”）方面已经非常厉害了，甚至能写诗、画画。但是，当老师让他做一件需要按顺序数数和走迷宫的复杂任务时，他经常犯迷糊。
1. 这个“体检”是测什么的？
想象一下，老师给 AI 看一张图，上面有一排排整齐排列的物体（比如 300 个不同颜色的方块），并给出一个指令：
“从标号为'O23'的方块开始，顺时针方向走，跳过每 3 个方块数一次，告诉我第 260 个被数到的方块是谁？”
这就叫序数理解（Ordinal Number Understanding）。
- 普通任务：数数一共有多少个方块（这是“基数”，AI 通常还行）。
- ORDINALBENCH 任务：不仅要数，还要记住从哪里开始、记住走的方向、记住跳着数的规则，并且要在脑子里一步步更新“我现在数到第几个了”。
2. 这个“体检”有多难？（三个难度关卡）
研究人员设计了这个测试，就像游戏里的关卡一样，难度层层递进：
- 关卡一：简单的圆圈（Single-Loop）
就像在操场上绕圈跑。只要跟着转圈数就行。 - 关卡二：复杂的迷宫（Maze-Loop）
就像在一个没有死胡同的复杂迷宫里走。AI 必须时刻记住“前面堵了要右转，再堵了要左转”，不能走丢。 - 关卡三：数字大爆炸（Large Ordinal）
以前 AI 可能只数过 10 以内的数，现在要它数到300，甚至更多。这就像让一个只背过乘法口诀表前几行的人，突然去算 300 以内的连续加法。
此外，还有一个**“跳着数”**的设定（Skip Counting）：比如“每走 3 步才算 1 个数”。这要求 AI 不仅要走路，还要在脑子里做“计数器”的算法，这对很多 AI 来说简直是“大脑过载”。
3. 测试结果：AI 的“阿喀琉斯之踵”
研究人员让目前世界上最先进的几个 AI（比如 GPT-5、Gemini、Qwen 等）来挑战这个测试，结果发现了一个惊人的现象：
- 简单题还行：在简单的圆圈里数几个数，AI 表现不错。
- 一难就崩：一旦进入迷宫，或者数字变大（比如数到 200 以上），或者要求“跳着数”，AI 的准确率就断崖式下跌，甚至跌到和瞎猜差不多水平。
- 过程全错：最有趣的是，研究人员不仅看答案对不对，还看 AI 的思考过程（就像看学生的草稿纸）。发现很多 AI 虽然最后蒙对了答案，但中间的“思考步骤”全是乱的；或者它根本坚持不到最后，数到一半就“断片”了，忘记了刚才数到哪儿。
4. 为什么会这样？（AI 的“大脑”缺陷）
论文认为，现在的 AI 就像是一个记忆力很好的“复读机”，而不是一个逻辑严密的“执行者”。
- 语言瓶颈：AI 习惯把看到的图变成文字描述。但在复杂的迷宫里，文字描述很容易丢失细节（比如“刚才那个路口往右拐”），导致它走着走着就忘了自己在哪。
- 缺乏“程序感”：AI 很擅长“是什么”（这是苹果），但不擅长“怎么做”（按这个规则走 300 步）。它没有真正学会如何一步步地、稳定地更新自己的状态。
5. 这个研究有什么用？
这就好比医生给 AI 做了一次核磁共振，精准地找到了它的病灶：
- 不是它认不出物体。
- 而是它不擅长按规则一步步执行复杂任务。
这个测试（ORDINALBENCH）就像是一个标尺，告诉未来的 AI 开发者：“别光盯着让 AI 认图更准了，你们得教它怎么像人一样，在脑子里稳稳地走迷宫、数数、做计划。”
总结一下：
这篇论文告诉我们，现在的 AI 虽然看起来无所不知，但在面对需要长时间专注、按规则一步步执行的任务时，其实非常脆弱。ORDINALBENCH 就是那个专门用来戳破这层窗户纸，逼迫 AI 进化出真正“逻辑推理”能力的工具。