芬兰阿尔托大学：AI看不懂宜家组装图纸，人机交互存在视觉盲区

芬兰阿尔托大学的研究团队最近发表了一项引人深思的研究论文编号为arXiv:2604.00913v1发表于2026年4月1日。这项研究深入探讨了一个看似简单却十分重要的问题为什么现在最先进的人工智能系统在理解宜家家具组装图纸时会遇到困难当我们打开一盒新买的宜家家具面对那些无文字说明的组装图纸时可能会感到头疼。但至少作为人类我们能够通过观察图纸再对照实际零件慢慢理解应该如何操作。然而研究发现即使是目前最强大的视觉-语言模型在这个看似基础的任务上也表现得令人意外的糟糕。这项研究的重要性远超过简单的家具组装。随着混合现实技术的发展未来我们可能会戴着智能眼镜让AI助手实时指导我们完成各种复杂的组装任务。但如果AI连基本的图纸都看不懂更别说提供准确的指导了。研究团队构建了一个名为IKEA-Bench的测试平台包含1623个问题涵盖29种宜家家具产品对19个不同的视觉-语言模型进行了全面评估。研究结果揭示了一个令人惊讶的现象当前最先进的AI系统在理解抽象图纸和真实视频之间存在巨大的认知鸿沟。这就好比让一个人同时看着建筑蓝图和实际的建筑工地却无法将两者联系起来。这种现象被研究团队称为描绘差距它反映了AI系统在跨不同视觉表现形式理解同一事物时的根本性局限。一、当AI遇上宜家图纸一场意外的认知挑战当我们谈论人工智能的视觉理解能力时大多数人可能会觉得这已经是一个相对成熟的领域。毕竟AI可以识别图片中的物体可以理解复杂的场景甚至可以生成逼真的图像。但阿尔托大学的研究团队发现了一个有趣的盲点AI在理解技术图纸特别是那些需要与实际操作相对应的抽象图示时表现得异常困难。宜家的组装图纸提供了一个完美的测试场景。这些图纸采用了无文字设计完全依靠视觉信息传达组装步骤。图纸中使用了大量的抽象表示方法零件以轮廓形式呈现箭头指示组装方向爆炸视图展示零件关系虚线表示隐藏部分。与此同时实际的组装视频显示的是真实环境中的操作有人的手在操作有复杂的背景有光影变化零件呈现出真实的材质和色彩。这种差异就像让人同时看着音乐的五线谱和实际的演奏视频然后要求他们判断两者是否描述的是同一段音乐。对人类来说虽然需要一定的学习但我们的大脑有能力建立这种抽象概念与具体现实之间的联系。然而当前的AI系统在这方面却显得力不从心。研究团队选择宜家家具作为研究对象还有另一个重要原因标准化和普及性。宜家为超过9500种产品提供了统一格式的组装手册这些手册在全世界范围内使用相同的视觉语言。这种标准化使得研究结果具有广泛的代表性和实用价值。同时家具组装也是一个典型的程序性任务涉及时间顺序、空间关系和因果逻辑这些都是评估AI理解能力的重要维度。更深层次的意义在于这种描绘差距反映了AI系统在处理不同视觉表现形式时的根本性挑战。在现实世界中同一个概念或过程往往会以多种不同的形式呈现工程图纸与实际建筑、医学影像与病理现象、地图与实际地形等等。如果AI系统无法有效地在这些不同表现形式之间建立联系那么它们在许多实际应用中的价值就会大打折扣。二、揭开AI视觉理解的三层奥秘为了深入理解AI系统为什么在这个看似简单的任务上表现不佳研究团队采用了一种类似医学诊断的方法从三个不同层面对AI系统进行了解剖。这种分层分析方法就像医生检查病人时先看外在症状再检查内部器官最后分析细胞层面的问题。第一层分析关注的是AI系统的眼睛——视觉编码器。研究团队发现了一个令人震惊的事实在AI系统的视觉处理阶段组装图纸和实际视频被映射到了完全不同的概念空间中。这就好比一个人的大脑在处理苹果这个概念时看到红色实物苹果时激活的是大脑的A区域而看到苹果简笔画时激活的却是完全不相关的B区域两个区域之间没有任何连接。通过一种叫做中心化核对齐的数学方法研究团队测量了图纸表示和视频表示之间的相似性。结果显示这个相似性几乎为零意味着AI系统在最基础的视觉理解层面就已经将同一个组装步骤的图纸和视频视为完全不同的事物。这种现象在所有测试的模型中都普遍存在无论是小型模型还是大型模型。第二层分析深入到AI系统的思维过程——语言模型的内部表示。当研究团队在图纸输入中添加文字描述时发现了一个有趣而令人担忧的现象AI系统会显著降低对图像信息的关注转而更多地依赖文字信息。这就像一个学生在考试时如果同时给他图表和文字说明他会选择性地忽略图表只看文字部分。通过分析AI系统生成答案时的内部状态研究团队发现添加文字描述后图像信息在最终决策中的影响力平均下降了约40%。这种现象在四个不同的模型中有三个都出现了说明这不是个别模型的问题而是当前AI架构的一个普遍特征。第三层分析关注AI系统的注意力机制——系统如何分配处理资源。研究发现当同时提供图纸、视频和文字信息时AI系统会将大部分注意力分配给文字部分而对视觉信息的关注显著减少。具体数据显示对图纸的注意力下降了52%对视频的注意力下降了34%。这种注意力重新分配的现象在模型的多个处理层中都是一致的表明这是一个系统性的行为模式。这三层分析揭示了一个连贯的故事AI系统在基础的视觉编码阶段就无法为不同视觉表现形式创建统一的理解框架而当有其他信息源如文字可用时系统会选择放弃对困难视觉信息的处理转向相对简单的文字处理。这种避难就易的行为模式可能是当前AI架构的固有特征。三、六大测试揭示AI组装能力的真实水平为了全面评估AI系统在家具组装指导方面的能力研究团队设计了六种不同类型的测试就像给AI系统安排了一次全面的技能考核。这些测试从最基本的识别能力到复杂的预测推理逐步增加难度最终构成了一个完整的能力评估体系。第一个测试是步骤识别相当于问AI你现在看到的这个操作对应哪张图纸这个测试给AI展示一段组装视频然后提供四张不同的图纸要求AI选择正确的对应图纸。结果显示即使是表现最好的开源模型准确率也只有59.4%而商用的高端模型也仅达到65.3%。考虑到随机猜测的准确率是25%这个结果虽然超过了随机水平但距离实用标准还相去甚远。第二个测试是步骤验证询问AI这个视频中的操作是否与给定的图纸相匹配这是一个是非判断题理论上应该比多选题更容易。然而结果显示大部分模型的准确率仅在50%到68%之间最好的商用模型也只达到68.6%。这意味着AI在这个看似简单的匹配任务上表现并不比抛硬币好多少。第三个测试是进度追踪要求AI在看到组装视频后从该产品的完整组装手册中识别出当前正在进行的是哪一步。这个测试更加接近实际应用场景因为用户通常会希望AI能够理解整个组装过程中的当前位置。测试结果显示AI系统在这个任务上的表现进一步下降大部分模型的准确率在30%到60%之间。第四个测试是下一步预测这是最具挑战性的测试之一。AI需要观看当前的组装步骤然后预测接下来应该进行哪一步操作。这个测试不仅需要理解当前状态还需要掌握整个组装过程的逻辑顺序。结果显示这是所有测试中AI表现最差的项目平均准确率仅为33.5%即使是最好的商用模型也只达到43.1%。除了这四个主要测试研究团队还设计了两个诊断性测试来定位问题的根源。第一个诊断测试是视频区分只给AI展示两段视频要求判断它们是否显示的是同一个组装步骤。这个测试完全不涉及图纸理解只测试AI对视频内容的理解能力。令人惊讶的是即使在这个相对简单的任务上大部分AI模型的准确率也只在48%到63%之间说明AI在视频理解方面存在根本性的困难。第二个诊断测试是指令理解只给AI展示三张连续的组装图纸要求AI将它们按照正确的顺序排列。这个测试不涉及视频纯粹测试AI对图纸内容的理解能力。有趣的是当使用文字描述代替图纸时AI的表现大幅提升平均提高了23.6个百分点。这个结果清楚地表明AI理解文字指令的能力远强于理解视觉图纸的能力。这六个测试的结果勾勒出了一个清晰的问题图景AI系统在视频理解方面存在根本性困难这构成了整个任务的性能瓶颈。同时虽然AI可以通过文字描述来理解组装指令但这种理解无法有效地转化为对实际视频内容的识别和匹配能力。这种现象反映了当前AI系统在多模态理解方面的重要局限性。四、三种策略的较量文字是救星还是干扰源面对AI系统在视觉理解方面的困难研究团队测试了三种不同的应对策略就像医生尝试不同的治疗方案来解决病人的症状。这三种策略分别代表了不同的信息提供方式旨在找出哪种方式能够最有效地帮助AI理解组装任务。第一种策略是纯视觉方式只向AI提供图纸和视频不添加任何文字信息。这种方式最接近人类在面对宜家家具时的真实情况——我们通常只能依靠图纸和实物来理解组装过程。这种策略的优势是完全测试了AI的视觉理解能力没有任何作弊的可能。然而正如前面的测试结果所示AI在这种情况下的表现相当有限。第二种策略是视觉加文字方式在保留图纸的同时为每张图纸添加详细的文字描述。这些文字描述涵盖了八个维度的信息涉及的零件、需要执行的操作、使用的工具、空间方向、结果状态、注意事项、紧固件信息以及箭头指示的含义。这种策略的理念是为AI提供一个翻译器帮助它理解抽象图纸的含义同时保留视觉信息以便与视频进行匹配。第三种策略是纯文字方式完全移除图纸只使用文字描述来表示组装指令。这种策略虽然消除了视觉理解的困难但也失去了测试跨媒体理解能力的意义。不过它可以作为一个重要的对照组帮助研究团队理解AI系统在理想情况下的潜在能力。测试结果揭示了一个复杂而有趣的现象。在指令理解任务上文字确实发挥了巨大作用。当从纯视觉切换到纯文字时AI的平均准确率提升了23.6个百分点。这个提升幅度是相当显著的表明AI确实能够通过文字有效地理解组装指令的逻辑和顺序。然而令人意外的是这种理解能力的提升并没有转化为跨媒体匹配能力的改善。在最核心的步骤识别任务上添加文字描述实际上略微降低了AI的表现平均下降了3.1个百分点。这个看似矛盾的结果揭示了AI系统的一个重要特征它似乎无法同时有效地处理多种类型的信息。更深入的分析显示当提供文字描述时AI系统会显著减少对视觉信息的关注。这就像一个学生在考试时如果同时给他提供图表和文字解释他会选择只看文字部分完全忽略图表。这种行为模式可能反映了当前AI架构的一个根本特征在面对复杂多模态信息时系统倾向于选择相对简单的处理路径。研究团队还发现不同的AI模型对这三种策略的反应存在显著差异。一些较小的模型如InternVL3.5-2B和InternVL3.5-8B实际上在纯文字模式下的表现比纯视觉模式更好这表明它们的视觉编码器存在严重缺陷。而较大的模型虽然在纯视觉模式下表现更好但添加文字后的改善也很有限。这些结果对实际应用有重要启示。如果我们要开发一个基于AI的组装助手可能需要采用分层策略对于需要理解组装逻辑的任务使用文字描述对于需要识别当前操作状态的任务依赖视觉信息。但关键挑战在于如何将这两种能力有效地整合起来这仍然是当前AI技术需要突破的重要障碍。五、模型规模与架构大不一定就是好在评估AI能力时人们通常会认为参数越多、模型越大性能就越好。然而阿尔托大学的研究结果挑战了这一常见假设揭示了一个更加微妙和有趣的现象在跨媒体理解任务中模型架构的选择比单纯的规模扩张更为重要。研究团队测试了从20亿参数到380亿参数的17个不同开源模型以及两个商用的大型模型。如果按照传统观念我们会期望看到一条清晰的上升曲线参数越多性能越好。但实际结果显示这条曲线远比预期的要复杂和曲折。以Qwen模型家族为例这个家族展示了一个有趣的现象不同代际之间的改进往往比同代际内的规模扩展更为显著。Qwen2.5-VL-7B的准确率为49.1%Qwen3-VL-8B提升到53.1%Qwen3.5-9B进一步提升到57.8%。这种跨代际的改进每次都带来了4-5个百分点的提升而这种提升比简单地将模型规模扩大三倍所带来的改进更为明显。这个发现的含义是深刻的当我们面对计算资源限制时选择最新架构的中等规模模型往往比选择老架构的大型模型更为明智。这就像购买汽车时一台配备最新引擎技术的中型车可能比一台使用老旧技术的大型车具有更好的性能和燃油效率。另一个有趣的发现涉及混合专家模型(MoE)的表现。Qwen3-VL-30B-A3B虽然总参数达到300亿但其活跃参数只有30亿实际表现(48.8%)反而不如参数更少但全部激活的Qwen3-VL-8B(53.1%)。这个结果表明在这类需要密集视觉理解的任务中模型参数的质量比数量更重要。更令人意外的是一些模型家族展现出了非单调的扩展曲线。Gemma3家族从4B到12B参数时性能实际下降了从39.4%降到35.3%只有在27B规模时才回升到43.1%。这种现象表明简单的参数扩展并不总是带来性能改善可能存在某些sweet spot或者训练和架构优化的问题。商用模型的表现提供了另一个重要视角。Gemini 3.1 Pro和Gemini 3 Flash分别达到了62.8%和65.3%的准确率确实超越了所有开源模型。然而这种改进的幅度相对有限只有3-6个百分点。考虑到商用模型可能使用了更大的训练数据集和更多的计算资源这种相对温和的改进表明当前面临的挑战可能不仅仅是数据规模或计算能力的问题而是更根本的架构和方法论问题。特别值得注意的是即使是表现最好的模型在最具挑战性的下一步预测任务上准确率也只有43.1%。这意味着即使投入了巨大的资源开发最先进的AI系统我们离实用的组装助手仍然有相当的距离。研究结果还显示不同模型家族在处理这类任务时表现出了明显的特征差异。有些家族在基础识别任务上表现较好但在需要推理的任务上表现不佳有些则相反。这种差异可能反映了不同架构在处理视觉信息和序列推理方面的不同优势和局限。这些发现对AI开发和应用策略具有重要指导意义。对于希望在特定应用中使用AI的开发者来说盲目追求最大的模型可能不是最优策略。相反基于具体任务特点选择合适的模型架构并关注最新的技术发展可能会获得更好的性价比。六、解开AI视觉盲区的分子生物学为了真正理解AI系统为什么在看似简单的任务上表现不佳研究团队采用了一种类似分子生物学研究的方法深入到AI系统的细胞和分子层面进行分析。这种深度分析就像医生不仅要知道病人发烧还要找到导致发烧的具体病毒或细菌。在AI系统处理视觉信息的最初阶段研究团队发现了一个令人震惊的现象组装图纸和实际视频在AI的视觉皮层中被映射到了完全不同的区域。通过一种叫做中心化核对齐的数学方法研究团队测量了这两种视觉信息在AI内部表示中的相似程度。结果显示这个相似程度几乎为零这就像一个人的大脑在看到猫的照片和猫的简笔画时激活的是完全不同的神经区域而且这些区域之间没有任何连接。这种现象在所有测试的模型中都普遍存在。无论是Qwen2.5-VL-7B这样的中等规模模型还是InternVL3.5-8B这样的较大模型它们的视觉编码器都无法为图纸和视频创建统一的理解框架。具体来说在四个测试模型中图纸和视频表示之间的相似度分别只有0.006、0.001、0.006和0.101这些数值都接近于零表明两种视觉信息在AI系统中被视为完全不同的概念。研究团队还测试了AI系统区分不同视频片段的基础能力。他们训练了一个简单的分类器来判断两个视频帧是否来自同一个组装步骤。令人意外的是即使是这个相对简单的任务基于AI视觉特征的分类器在四个模型中有三个的准确率都接近随机猜测水平(50%)。这表明AI系统的视觉编码器在最基础的层面就缺乏对组装过程的时序理解能力。当研究深入到AI系统的决策中枢时发现了另一个重要现象。当同时提供图纸和文字描述时AI系统在形成最终判断的过程中会显著降低对图纸信息的依赖。通过分析AI系统生成答案时的内部状态向量研究团队发现在四个测试模型中有三个都表现出了这种文字偏好现象。具体而言Qwen3-VL-8B在添加文字后对图纸信息的依赖度下降了59%Qwen2.5-VL-7B下降了12%InternVL3.5-8B下降了39%。只有Qwen3.5-VL-9B表现出相反的趋势增加了24%但研究团队认为这可能与该模型采用的特殊注意力机制有关。这种现象表明当前的AI系统在面对多模态信息时倾向于选择相对简单的处理路径而不是尝试整合不同来源的信息。在注意力机制层面研究团队发现了支持上述结论的直接证据。通过分析Qwen3-VL-8B在处理问题时的注意力分配模式他们发现在只提供视觉信息时AI系统会将8.1%的注意力分配给图纸5.0%分配给视频。但当添加文字描述后对图纸的注意力下降到3.9%(下降52%)对视频的注意力下降到3.3%(下降34%)而大部分注意力被重新分配给了文字信息。这种注意力重新分配的现象在AI系统的多个处理层中都是一致的表明这不是某个特定层的偶然行为而是整个系统的系统性响应模式。这就像一个学生在考试时如果同时给他图表、公式和文字解释他会本能地忽略复杂的图表专注于相对简单的文字部分。这些深层分析结果揭示了当前AI系统的一个根本性局限它们缺乏真正的多模态整合能力。虽然这些系统被称为视觉-语言模型但实际上它们更像是视觉或语言模型在面对复杂的多模态任务时会选择性地依赖某一种模态而不是有效地整合多种信息源。这个发现对未来AI系统的设计具有重要启示。要真正实现有效的多模态理解可能需要从根本上重新设计AI系统的架构让不同模态的信息能够在更深层次上进行交互和融合而不是简单地将它们并列处理。七、数字背后的真相AI组装助手的现实表现当我们将研究团队收集的大量测试数据汇总分析时呈现出的是一幅既复杂又发人深省的图景。这些数字不仅仅是冰冷的统计结果它们揭示了当前AI技术在实际应用中的真实能力边界。在最基础的步骤识别任务中开源模型的表现范围从33.4%到59.4%不等。这个范围的下限意味着最弱的模型InternVL3.5-2B实际上只比随机猜测25%好一点点而上限Qwen3.5-27B虽然达到了近60%的准确率但距离实际应用所需的可靠性标准仍有相当距离。即使是商用的顶级模型Gemini 3 Flash准确率也只有65.3%这意味着大约每三次判断就有一次是错误的。当任务复杂度从简单识别上升到预测推理时AI系统的能力边界变得更加明显。在下一步预测任务中平均准确率从45.6%下降到33.5%下降幅度达到12.2个百分点。这种下降在所有模型中都是一致的包括最先进的商用模型。这个现象表明当前的AI系统虽然在某种程度上能够识别静态的对应关系但在需要理解动态序列和预测未来状态时能力显著受限。诊断性测试的结果提供了理解这些局限性的关键线索。在纯粹的视频理解任务中即使是表现最好的商用模型也只达到了71.1%的准确率而大部分开源模型的准确率都在50%到63%之间。考虑到这是一个二选一的判断任务这些结果表明AI系统在视频内容理解方面存在根本性困难。更有趣的对比出现在指令理解测试中。当使用纯视觉方式只看图纸时AI系统的平均准确率从20%到70.8%不等差异巨大。但当切换到纯文字描述时几乎所有模型的表现都有显著提升平均改善了23.6个百分点。这个对比清楚地表明问题不在于AI系统理解组装逻辑的能力而在于从视觉图纸中提取这些逻辑信息的能力。参数规模与性能的关系分析揭示了另一个重要发现。在同一模型家族内部参数规模的增加并不总是带来线性的性能提升。例如在Qwen3-VL家族中从2B参数的42.2%准确率到8B参数的53.1%提升显著但从8B到30BMoE架构时准确率反而下降到48.8%。这种非线性关系表明在这类任务中模型架构的优化可能比单纯的规模扩展更为重要。跨模型家族的比较展现了架构差异的影响。在相似参数规模下不同家族的表现差异可达10个百分点以上。例如都是约8-9B参数的模型中Qwen3.5-9B达到57.8%而Gemma3-12B只有35.3%。这种差异不能简单地用参数数量来解释更可能反映了不同架构在处理跨模态信息时的根本性差异。商用模型与开源模型的比较提供了关于技术发展上限的重要信息。虽然Gemini系列模型确实在所有任务上都超越了开源模型但改进幅度相对有限通常在3-6个百分点之间。这种温和的改进表明当前面临的挑战可能不仅仅是资源投入的问题而是需要更根本的技术突破。策略效果的分析揭示了一个矛盾现象在指令理解任务上表现出巨大帮助的文字描述在实际的图纸-视频匹配任务上却产生了负面影响。这种矛盾表明当前AI系统缺乏有效整合多模态信息的能力而倾向于在不同信息源之间做出选择而非真正的融合。所有这些数字综合起来描绘出了一个清晰的技术现状虽然当前的AI系统在某些简单的识别任务上表现尚可但距离成为真正有用的组装助手还有相当的距离。特别是在需要预测和推理的高阶任务上即使是最先进的系统也难以达到实用标准。这些发现为未来的技术发展指明了方向也为当前考虑部署此类AI系统的开发者提供了重要的参考基准。八、从实验室到现实技术突破的路径与启示阿尔托大学的这项研究不仅揭示了当前AI技术的局限性更为重要的是为未来的技术发展和实际应用提供了清晰的路线图。研究结果表明要真正实现有效的AI组装助手需要在多个层面进行技术突破和策略调整。首先研究明确指出了问题的核心所在视觉编码器的根本性缺陷。当前的AI系统无法为不同视觉表现形式创建统一的理解框架这就像一个翻译员只能理解英语或中文但无法在两种语言之间建立对应关系。解决这个问题可能需要开发专门针对跨描述形式理解的训练方法比如使用大量的图纸-实物对应数据进行对比学习或者设计新的架构来强制不同视觉模态在内部表示空间中的对齐。研究团队的发现表明简单地增加模型规模并不是解决问题的有效路径。相反架构创新和训练方法的改进可能更为重要。这为资源有限的研究团队和初创公司提供了希望通过聪明的设计和针对性的优化中等规模的模型可能比盲目扩大的大型模型表现更好。对于希望现在就部署AI组装助手的开发者来说研究提供了具体的策略指导。由于不同子任务对AI系统的挑战程度不同一个实用的方案可能是采用分层架构对于需要理解组装逻辑和顺序的任务可以依赖文字化的指令处理对于需要识别当前状态的任务则需要改进视觉处理能力或者结合传感器等其他技术手段。研究结果还揭示了一个重要的用户体验设计原则在当前技术水平下AI助手的设计应该注重辅助而非替代人类判断。考虑到即使最好的模型在关键任务上也只有60-70%的准确率系统应该设计为提供建议和提醒而不是做出绝对的判断。同时应该为用户提供足够的透明度让他们了解AI建议的可信度。从更广阔的技术发展角度来看这项研究揭示的描绘差距问题不仅限于家具组装场景。在医学影像诊断中AI需要理解X光片、CT扫描和实际病症之间的关系在工程设计中AI需要连接CAD图纸和实际制造过程在教育领域AI需要理解教科书插图和实验现象之间的对应关系。因此解决这个问题的技术突破将有广泛的应用价值。研究还暗示了未来AI系统设计的一个重要方向真正的多模态整合能力。当前的所谓多模态AI系统实际上更像是多个单模态系统的松散组合缺乏深层次的信息融合能力。未来的系统需要在架构层面就考虑不同模态信息的交互和相互增强而不是简单的并行处理。对于AI研究社区来说这项工作提供了一个重要的基准测试平台。IKEA-Bench作为首个专门评估跨描述形式理解能力的基准为后续研究提供了标准化的评估工具。这种标准化评估对于推动技术进步至关重要就像ImageNet等基准数据集推动了计算机视觉技术的快速发展。最后研究的方法论也具有重要价值。三层机制分析的方法不仅揭示了问题的表面现象更深入到了问题的根本原因。这种分析方法可以应用到其他AI能力评估中帮助研究者更好地理解和改进AI系统。归根结底这项研究提醒我们虽然AI技术在某些领域取得了令人瞩目的进展但在许多看似简单的实际应用中仍然存在根本性的挑战。理解和承认这些局限性不是对AI技术的否定而是为了更好地指导技术发展方向最终实现AI技术为人类生活带来真正的便利和价值。说到底这项来自芬兰阿尔托大学的研究为我们描绘了一幅既现实又充满希望的图景。现实的是当前的AI技术距离成为真正有用的生活助手还有相当的距离即使是看似简单的家具组装指导也充满挑战。但希望在于研究清楚地指出了问题所在和解决的方向为未来的技术突破铺平了道路。对于普通用户来说这意味着在未来几年内我们仍然需要依靠自己的智慧来面对那些复杂的宜家组装图纸但同时也可以期待随着技术的进步真正智能的AI助手终将成为现实。QAQ1IKEA-Bench测试包含哪些具体内容AIKEA-Bench是专门评估AI理解组装图纸能力的测试平台包含1623个问题涵盖29种宜家家具产品。测试分为六个类型步骤识别看视频选对应图纸、步骤验证判断视频与图纸是否匹配、进度追踪确定当前组装到哪一步、下一步预测预测接下来该做什么、视频区分判断两段视频是否同一步骤和指令理解给图纸排正确顺序。Q2为什么AI看懂文字说明却看不懂组装图纸A研究发现了一个有趣现象当用文字描述代替图纸时AI的理解能力平均提升23.6%说明AI能理解组装逻辑。但问题在于AI无法从抽象的图纸中提取这些逻辑信息。就像一个人能理解把螺丝拧进孔里这句话但看到图纸上的箭头和虚线时却不知道它们代表什么意思。AI的视觉编码器将图纸和实际操作视频映射到了完全不同的概念空间。Q3目前最好的AI模型在组装指导方面表现如何A即使是最先进的商用模型Gemini 3 Flash在基础的步骤识别任务上准确率也只有65.3%意味着每三次判断就有一次错误。在更难的下一步预测任务上准确率更是降到43.1%。开源模型的表现更差平均准确率只有45.6%到33.5%之间。这个水平距离实际可用的组装助手还相差很远目前的AI更适合作为辅助工具而非替代人类判断。