昨天Grok4发布完以后，我随手刷了一下X。 然后看到了一个非常有趣的帖子，来自@lepadphone。 我以为，这就是Grok4的问题，模型能力不太行，把一个恶搞的6根手指，数成了5根。 我自己也去测了一下，确实数是5根。 我本来没当回事。 直到，我随手扔到了OpenAI o3里，发现，事情开始不对了起来。因为，o3回复，也是5根手指。 我瞬间皱了眉头，然后扔给了o3 pro。 在推理了48秒之后，还是5根。 然后我又把这张图扔给了豆包、kimi、Gemini等等所有的有多模态的模型。 而无一例外，所有的模型，给我回复的，都是5根。 唯独有一个活口，Claude 4，偶尔会回答正确。 瞬间一股子冷汗就下来了。 一个模型数错了，可能是幻觉，所有的模型都数错，那，模型的底层肯定有一些问题。 深夜在群里试图问了一下，结果石沉大海。 那就只能靠自己了，再搜了一堆资料，用DeepReaserch做了深度搜索以后，我找到了一篇能完美解答这个现象的论文。 《Vision Language Models are Biased》（视觉语言模型存在偏见） 这篇论文发表于今年5月29号，至今也才1个多月的时间，还蛮新的。 我花了 ...