GPT-5.5 做 4×4 拼图 70% 准确率，8×8 直接崩到接近随机——这件事今天被一个基准测试彻底扒开了

拼图是人类觉得再简单不过的视觉任务：把凹凸不平的碎片拼成完整图案。但一篇新论文证明了一件让很多人没想到的事——当前最强的多模态大模型，做 4×4 的小拼图还行，一旦碎片数量上去，整个就崩了，而且不是因为数据不够用，是架构本身就缺了那种能力。

评测基准长什么样

这篇论文（JigShape，arXiv:2607.27670）设计了一个严格得多的拼图基准。过去很多视觉推理 benchmark 用矩形切割，碎片之间没有凹凸关系，纹理重复区域会产生歧义，ground truth 本身就不可靠。JigShape 用了咬合式切割（tab-and-blank interlocking pieces），每个碎片的边缘都是确定的凹凸关系，局部兼容性约束和视觉内容联合推理，才能得到唯一的正确解。

95,000 个实例，四种网格密度：4×4、8×8、12×12、16×16。

核心数据：scaling cliff

这是最让人意外的部分。

零样本测试结果：

• 5 个前沿模型里，只有 GPT-5.5 在 4×4 超过随机基线，其他模型全部处于随机水平
• GPT-5.5 在 4×4 拼图：70% 准确率
• GPT-5.5 在 8×8 拼图：直接跌到接近随机

监督微调后的结果：

• 4×4 拼图：>97% 准确率，看起来很强
• 12×12 拼图：<5%，几乎完全崩溃
• 16×16：更惨

这个现象论文称之为 scaling cliff：不是性能缓慢下降，而是在某个规模门槛突然崩塌。微调可以让模型在小规模任务上表现极好，但一旦碎片数量超过某个临界点，所有模型无一例外地失效。

为什么这件事有意思

拼图看起来是「视觉」任务，但真正难的部分是几何约束推理。每个碎片放在某个位置，不仅要考虑它看起来对不对，还要检查它和上下左右四个邻居的边缘是否咬合。这种约束满足能力是独立于图像内容的——无论图片是风景、人物还是抽象图案，拼图的结构逻辑是一样的。

当前 VLMs 擅长的是「这张图看起来像什么」——视觉内容匹配。它们能做到在简单场景下凭纹理线索猜对几张碎片的位置，但当碎片数量增加，约束数量指数级上升，模型就无法维持一致的约束满足。

这和传统 benchmark 上刷分是完全不同的能力维度。

更大的问题：这个坑不只是拼图

论文的核心结论是：scaling cliff 揭示的是当前架构的根本性局限，不是靠更多数据或更大模型就能自动解决的。几何约束满足能力是视觉推理的基础模块，它在拼图上是 8×8 崩溃，但把它换成更复杂的空间推理任务——多物体关系推理、3D 场景理解、物理模拟校验——本质上面对的是同一类约束满足问题。

如果模型在拼图上 8×8 就崩了，指望它可靠地完成需要多步空间推理的生产任务，目前来看是有结构性风险的。

论文信息

• 标题：JigShape: Evaluating Visual-Geometric Reasoning in VLMs through Jigsaw Puzzles
• 作者：Shawn Li 等（14 位作者，含 Mohit Bansal、Yue Zhao）
• arXiv：2607.27670（2026-07-30 提交，2026-08-04 更新 v2）
• 95K 实例，4 种网格密度（4×4 到 16×16），已开源