Hi，我想先請(qǐng)你只看下面這張照片，推測它的拍攝城市：

這是一類叫做「網(wǎng)絡(luò)迷蹤」的推理游戲：只看照片，判斷拍攝地點(diǎn)的位置，距離越近，得分越高。

游戲過程是這樣的 ：

太適合測試 AI 的視覺推理能力了。

完美模擬了人類玩家的視覺推理過程：

1?? 精準(zhǔn)識(shí)別視覺元素：解讀路牌文字、辨認(rèn)植被類型、分析建筑風(fēng)格特征；

2?? 調(diào)用知識(shí)儲(chǔ)備：判斷特定電線桿造型屬于哪個(gè)國家或地區(qū)；

3?? 以及多層次線索整合推理。

要想在這個(gè)游戲中取得好成績，AI 們必須同時(shí)發(fā)揮其視覺識(shí)別、模型知識(shí)、邏輯推理的最大潛能。

當(dāng) AI 答題結(jié)果被標(biāo)注在地圖上后，它們之間的智力差距也就一目了然。

比單一維度的 Benchmark 跑分，能更有趣、直觀地看到模型的差距。

所以我拉上了國內(nèi)外 5 個(gè)頂流多模態(tài)推理模型，一起來做了這項(xiàng)比賽。

你猜，誰是視覺推理 AI 之王？

簡單介紹「AI 網(wǎng)絡(luò)迷蹤」賽制

本次比賽的參賽選手如下：

模型名稱廠商發(fā)布日期調(diào)用方式ChatGPT-o3 OpenAI 2025-04-17 chatgpt.com Gemini 2.5 pro Google 2025-03-25 Google AI Studio Claude-3.7-sonnet-thinking Anthropic 2025-02-25 Monica Doubao-1.5-thinking-pro 字節(jié)跳動(dòng) 2025-04-15 火山引擎控制臺(tái) QVQ-Max 阿里云 2025-03-28 chat.qwen.ai

注：DeepSeek-R1 其實(shí)不支持多模態(tài)（視覺識(shí)別），故不參加比賽。

比賽規(guī)則很簡單：

1. 1. 共 5 道題目，每題提供同一位置兩張不同拍攝方向的照片（題源：圖尋-每日挑戰(zhàn)-全球 04/20）

2. 
   

3. 2. 通過統(tǒng)一的比賽 Prompt，要求 AI 給出它認(rèn)為最可能的經(jīng)緯度坐標(biāo)

你正在參與地圖迷蹤比賽，不準(zhǔn)聯(lián)網(wǎng)。 右下角小地圖不包含任何有效信息。 分析提供的圖片，推斷其拍攝的地理位置的行政區(qū)劃層級(jí)（格式：大洲，國家，行政區(qū)，城市，鄉(xiāng)鎮(zhèn)）和經(jīng)緯度（格式，如 41.40338, 2.17403），盡可能準(zhǔn)確。 使用中文回答。

1. 3. 每一題均 在地圖上標(biāo)注出所有 AI 的猜測點(diǎn)和實(shí)際位置，距離越近，排名越高

第一輪：某熱帶地區(qū)

非常典型的熱帶地區(qū)植被，棕櫚樹、闊葉樹隨處可見，現(xiàn)代化風(fēng)格的住宅樓，路面狀況良好，略微傾斜，似乎是丘陵地帶。

第一輪測試中，各模型回答如下：

ChatGPT-o3：

Gemini-2.5-pro：

Claude-3.7-sonnet-thinking：

Doubao-1.5-thinking-pro：

QVQ-Max：

把第一輪的答題結(jié)果對(duì)應(yīng)到地圖坐標(biāo)位置，與實(shí)際答案距離位置如圖：

實(shí)際位置約在：1.266428, 103.823641，可在 Google 地圖查看街景

不過第一輪照片，其實(shí)還是缺乏了決定性信息。如果要完全精準(zhǔn)，就需要對(duì)照新加坡的衛(wèi)星/街景影像，進(jìn)行一一排查。

本輪排名 ?? ：

排名模型名稱1 ChatGPT-o3 2 Claude-3.7-sonnet-thinking 3 Gemini 2.5 pro 4 Doubao-1.5-thinking-pro QVQ-Max
第二輪：有俄文名稱的工廠

第二輪的各 AI 的猜測結(jié)果，對(duì)應(yīng)地圖位置如下：

其中 ChatGPT 和 Gemini 表現(xiàn)出了意外的準(zhǔn)確性，誤差均在 1 公里左右。

雖然不小心定位到海里去了，但無傷大雅。（主要是因?yàn)楸据啽荣愔校?AI 不能通過地圖服務(wù)確認(rèn)經(jīng)緯度的真實(shí)位置情況）

實(shí)際位置約在：44.727172, 37.823414，可在 Google 地圖查看街景

特別的，ChatGPT-o3 在本次推理過程中，對(duì)圖像進(jìn)行了多次“縮放再識(shí)別”，類似人類識(shí)別圖像細(xì)節(jié)的過程，“當(dāng)整張圖像看不出足夠的信息時(shí)，通過放大圖像，來加強(qiáng)對(duì)某個(gè)特征區(qū)域的細(xì)節(jié)識(shí)別”。

想來這種視覺推理方式，很快會(huì)成為各家的共識(shí)。

本輪排名 ??：

排名模型名稱1 ChatGPT-o3 2 Gemini 2.5 pro 3 QVQ-Max 4 Claude-3.7-sonnet-thinking 5 Doubao-1.5-thinking-pro
第三輪：某海邊公路

沿海的公路，遠(yuǎn)處西方有雪山，太陽非常好，繞山公路的方向也很明顯。

第三輪的各 AI 的猜測結(jié)果，對(duì)應(yīng)地圖位置如下：

實(shí)際位置約在：38.658016, 23.967011，可在 Google 地圖查看街景

本輪排名 ??：

排名模型名稱1 ChatGPT-o3 2 Gemini 2.5 pro 3 Doubao-1.5-thinking-pro 4 QVQ-Max 5 Claude-3.7-sonnet-thinking
第四輪：零售園區(qū)

這輪其實(shí)給出的信息已經(jīng)很多，各式各樣的建筑招牌名稱、各型號(hào)的汽車、以及平坦的地貌。

第四輪結(jié)果，對(duì)應(yīng)地圖位置如下：

實(shí)際位置約在：44.867243, 13.868149，可在 Google 地圖查看街景

ChatGPT 和 Gemini 表現(xiàn)的都很“本地人”，不過 Gemini 這次更勝一籌。

值得一提的是，本次實(shí)測中，只有 QVQ-Max 和 ChatGPT-o3 識(shí)別出了圖二遠(yuǎn)處很小的“Decathlon”迪卡儂 Logo。

（這樣來看，QVQ 沒做縮放再識(shí)別，識(shí)別精度也不錯(cuò)）

如果 AI 能調(diào)用 Google 地圖，進(jìn)行建筑名稱的布局、距離的真實(shí)比對(duì)，應(yīng)該更容易找到完全精確的位置。

本輪排名 ??：

排名模型名稱1 Gemini 2.5 pro 2 ChatGPT-o3 3 QVQ-Max 4 Doubao-1.5-thinking-pro 5 Claude-3.7-sonnet-thinking
第五輪：干燥丘陵

最后一輪的信息就相當(dāng)有限了，干燥的丘陵地形，主要為低矮灌木，符合地中海氣候區(qū)或者溫帶大陸性半干旱氣候區(qū)的特征。

維護(hù)的相對(duì)良好的土路，道路大致朝西南方向。估計(jì)是在鄉(xiāng)村或偏遠(yuǎn)地區(qū)，交通不便。推理難度確實(shí)比之前的更高。

各家 AI 推測的地圖位置如下：

實(shí)際位置約在：40.372043, 31.760780，可在 Google 地圖查看街景

本輪排名 ??：

排名模型名稱1 ChatGPT-o3 2 Gemini 2.5 pro 3 QVQ-Max 4 Claude-3.7-sonnet-thinking 5 Doubao-1.5-thinking-pro
比賽結(jié)果：o3 第一

統(tǒng)計(jì) 5 輪比賽結(jié)果，平均名次就是最終成績：

排名模型平均名次第一輪第二輪第三輪第四輪第五輪1 ChatGPT-o3 1.2 1 1 1 2 1 2 Gemini 2.5 pro 2.0 3 2 2 1 2 3 QVQ-Max 3.4 4 3 4 3 3 4 Claude-3.7-sonnet-thinking 4.0 2 4 5 5 4 5 Doubao-1.5-thinking-pro 4.2 4 5 3 4 5

• ChatGPT-o3 毫無疑問是本次視覺推理的王者， 在 4/5 的輪次中得到第一名。也是唯一一個(gè)支持“縮放再識(shí)別推理”的模型，在精細(xì)識(shí)別視覺線索時(shí)表現(xiàn)突出
• Gemini 和 ChatGPT 的推測位置差距不大，實(shí)際上表現(xiàn)接近
• 阿里云的 QVQ 整體表現(xiàn)也挺穩(wěn)定；還識(shí)別出了只有 ChatGPT 通過放大才識(shí)別出來的 logo。另外，作為本次參賽模型中唯一有開源習(xí)慣的 Qwen 系列模型，還可以期待后續(xù) Max 版本的開源
• Btw：其實(shí)沒想到 Claude 3.7 sonnet thinking 在「AI 網(wǎng)絡(luò)迷蹤」中表現(xiàn)會(huì)這么不如意

小結(jié)

這次比賽，并沒有讓 AI 聯(lián)網(wǎng)使用地圖服務(wù)或圖像搜索，純粹考察模型基于自身的視覺識(shí)別、知識(shí)儲(chǔ)備、多模態(tài)推理這三大核心能力。

（模擬了真實(shí)人類玩「圖尋」的情況，沒時(shí)間用地圖查詢作弊）

但在 AI 的幫助下，我依然超過了今天 94.88% 的玩家，刷新了我自己的得分紀(jì)錄。

而這當(dāng)然不是當(dāng)前 AI 的能力邊界。

當(dāng)我們把衛(wèi)星地圖、街景影像服務(wù)，甚至小紅書等社交平臺(tái)的權(quán)限，通過類 MCP 協(xié)議提供給 AI 后，

任何人都能用 AI 快速推測一張照片的大致范圍，再利用衛(wèi)星影像、社交平臺(tái)照片內(nèi)容精細(xì)比對(duì)，最終推測出精度極其恐怖的位置信息。

那樣，精準(zhǔn)定位一個(gè)人的位置不再是難題。

而一個(gè)能看懂世界、調(diào)用互聯(lián)網(wǎng)海量工具、多步推理的 AI，將在地圖導(dǎo)航、生活服務(wù)、乃至安防監(jiān)控等方方面面帶來多大的變化？

Now, Big Brother is watching you.

如果覺得這篇文章對(duì)你有啟發(fā)或幫助，歡迎點(diǎn)贊、在看、轉(zhuǎn)發(fā)分享，讓更多熱愛 AI 的朋友能夠受益。

也期待在評(píng)論區(qū)看到你的實(shí)踐和思考。

本文采用 CC-BY-4.0 協(xié)議開源，你也可以隨意進(jìn)行二創(chuàng)。如果你能在自己的文章提及來源，那就太好了。

點(diǎn)擊下方賬號(hào)