折磨人工智能的困难仍在上升吗？现在，有新的图像推理问题。这个问题引起了与Reddit的激烈讨论：目前没有AI可以解决复杂的推理问题。问题的含义确实非常简单 - 下面的图需要添加多少个小立方体才能产生一个完整的大型小屋？为了解决这个问题，支持图像图像和国外的大型模型提供了各种答案。其中，O3提供了45个答案，Gemini 2.5Pro仅提供10个答案。 DeepSeek和Qwen3等大型模型的答案分别为14和9。这些答案的原因是什么？请阅读。出现不同答案的主要原因是：Thelarge模型对由不同类型组成的大数据的规格有不同的了解。 O3了解最终大型小屋为5x5x5的规范，但仍为缺少小立方体的数量提供了错误的答案。来自hUman Vision需要125个小立方体才能产生5x5x5的大hut，而46个则为图形，因此答案应为79。 Gemini 2.5 Pro将最终大型小屋的规格理解为4x4x4。 DeepSeek和Qwen都将小屋的最终巨大规格定为3x3x3。对由终点组成的大型小屋的大小的不同理解自然会提供不同的答案。但是，伴随着信号，还有一些大型模型可以逐渐找到正确的方向。网民为这些错误的答案提供了一些解决方案：例如，使用O3进行测试，在尝试第一次尝试时提供了一些技巧。尽管它也获得了错误的答案，但第三次即使没有提示，也获得了正确的结果。网民认为这是由于Chatgpt内存的长期功能，这使得它注意了提示从前两次尝试（例如，考虑到最长的运行时间中有多少立方体，专注于严格的计数而不是估算），考虑到失败的经历以及所有这些失败的经验。因此，可以说O3可以通过内存学习。这个问题将是将来培训的数据。网民：人们也会感到困惑。有人说这不是推理问题，而是一个视觉理解问题。可能的答案错误认为，由于问题的表达不清楚，审查AI的过程是偏见的。即使人们在面对这个问题时会遇到类似的混乱，好像问题要求基于组织的原始结构，还是会破坏结构并重新安排它们？此外，如果可以更清楚地解释图像的内容（图片中的小立方体的知识结构）：O3获得的答案也是正确的：如果是3x3x3，则4x4x4、5x5x5或nxnxn，人们自己不能为人工智能回答的问题！网民：AI：也许我需要一种更科学的培训方法！