先看证据
同一张图，错误可能出在不同地方
Elorian于2026年10月发布视觉推理模型Glimpse，并与AI数据公司Mercor共同推出DecoyCount基准，测试模型能否在真实场景图像中按规则数清对象。这个问题看似简单：图里有几个苹果？但若苹果出现在镜子里，答错可能是模型漏看了实物，也可能是把倒影算成第二个苹果。
这两种错误需要不同的修正办法。前者偏向视觉感知，后者涉及模型如何界定“要数的集合”；只看最后报出的数字，就会把它们混成同一种失败。DecoyCount的价值，是尝试把这层差异显露出来，而不是只给模型一个更难的计数题。
基准把“数错”拆成可观察的条件
DecoyCount包含1,660张真实场景图像，覆盖七类诱饵：重复或倒影、计数单位错误、先验预期、相似物、图中文字、结构性排列，以及估数。诱饵不是随机增加的干扰，而是对应常见的错误答案来源，例如把包装上的印刷数字当成物体数量，或受排列方式影响而漏数。
同一图像会配上不同问法：不提示规则的中性问题、说明计数规则但不泄露答案的匹配提示，以及放进现实情境的多步问题。研究者比较中性问题与匹配提示下的准确率差，将其称为“推理对齐差”。这个差值能说明模型是否容易被错误计数规则带偏，但它不是模型全部视觉能力或推理能力的总分。
提示能救回一部分错误，却不是视觉升级
论文中的六个模型在中性问题下准确率都低于50%，最高的是GPT-6 Astra，达到43.17%。匹配提示带来的准确率提升为11.77至22.09个百分点；其中GPT-6 Astra提升22.09个百分点，Gemini-3.8-flash提升11.77个百分点。六个模型里有五个在中性条件下答中诱饵的次数多于答对真值，加入匹配提示后，诱饵命中减少43.3%至66.7%。
这些变化说明，至少一部分错误不是“看不见”，而是模型在不明确的规则下顺着诱饵作答。不过，提示能改变答案，不等于模型因此看得更清楚；论文也发现，更丰富的现实情境没有普遍改善表现。情境题只挽回了中性题错误的11.6%至32.6%，而估数类诱饵的提示收益较小，问题可能更多落在感知或精确枚举上。
Glimpse的领先，需要和测试条件一起读
Latent Space报道，Elorian CEO Andrew Dai称，Glimpse在1,660项DecoyCount测试上的无提示准确率为50.48%。同一报道列出的对照成绩包括GPT-6 Astra的43.17%、Gemini-3.8-flash的32.71%、Qwen3.8-max的28.31%，以及Claude-Fable-5.1的25.22%。Dai表示评测图像和文本没有用于训练，已检查的训练数据也未发现重叠。
但这不是论文中的正式同条件排名。Glimpse的数字来自单次内部测试，且没有agent或工具框架；论文里的六个模型各运行三次并取平均。公开材料也没有独立审计或完整复现记录。因此，50.48%可以作为一个值得跟进的结果，却不能直接证明Glimpse稳定胜过其他模型，更不能单凭分数确认视觉思考机制就是领先原因。
工程上先诊断失败，再决定改哪里
对技术团队而言，DecoyCount式评测的实用价值，是把“视觉模型数不准”转成更具体的问题：漏看对象、把相似物算进去、误读文字，还是枚举时失去跟踪。若不同问法在同一张图上造成明显差异，团队就能进一步判断应优先检查标注与训练数据、感知模块，还是计数规则和推理策略，而不是只靠总体准确率猜原因。
但这套基准聚焦视觉计数诱饵，不能替代对更广泛视觉推理或真实部署任务的评估。Glimpse宣称会在推理过程中生成、编辑图像，并使用视觉工作区和工具；公开资料尚不足以让外部人员独立复现这套过程。可执行的判断是：把其成绩视为候选模型信号，先在同一数据、同一设置下多次复测，再检查各类诱饵上的错误变化，之后才谈机制是否值得迁入产品。