“`json
{
"title": "IA Falha em Tarefas Visuais Simples que Crianças Dominam Facilmente",
"subtitle": "Novos testes revelam que modelos de IA de ponta, mesmo os multimodais, não conseguem resolver desafios visuais básicos que bebês aprendem antes de falar.",
"content_html": "<h1>IA Falha em Tarefas Visuais Simples que Crianças Dominam Facilmente</h1>nn<h2>Novos testes revelam que modelos de IA de ponta, mesmo os multimodais, não conseguem resolver desafios visuais básicos que bebês aprendem antes de falar.</h2>nn<p>Mesmo os modelos de inteligência artificial mais avançados, que frequentemente impressionam com sua capacidade de processar e gerar conteúdo em diversas modalidades, enfrentam dificuldades surpreendentes em tarefas visuais rudimentares. Um estudo recente expôs uma falha fundamental nesses sistemas: eles não conseguem lidar com desafios visuais simples que crianças pequenas dominam com facilidade, muitas vezes antes mesmo de desenvolverem a linguagem verbal.</p>nn<h3>A Lacuna Visual: IA vs. Crianças Pequenas</h3>nn<p>Embora modelos de IA multimodais alcancem pontuações elevadas em benchmarks especializados como o MMMU, um novo estudo conduzido por pesquisadores de instituições chinesas, incluindo a UniPat AI, a Universidade de Pequim, o Grupo Alibaba e a MoonShot AI, revela uma **lacuna marcante**. Esses mesmos sistemas de ponta, quando confrontados com tarefas visuais básicas, demonstram um desempenho significativamente inferior ao de crianças humanas.</p>nn<p>O benchmark "BabyVision", desenvolvido pelos pesquisadores, consiste em 388 tarefas distribuídas em quatro categorias. Estes testes avaliam habilidades que, segundo a psicologia do desenvolvimento, os humanos começam a dominar nos primeiros meses de vida. Incluem a <strong>discriminação visual fina</strong>, como a capacidade de perceber sutis diferenças entre padrões semelhantes, seguir linhas através de labirintos ou cruzamentos, percepção espacial, como contar blocos 3D ocultos, e reconhecimento de padrões visuais envolvendo rotações e reflexos.</p>nn<p>Os resultados são alarmantes: a maioria dos modelos de IA de ponta avaliados obtiveram pontuações inferiores à média de crianças de três anos. Apenas o modelo <strong>Gemini-3-Pro-Preview</strong>, o melhor avaliado no estudo, conseguiu superar esse grupo, mas ainda assim, ficou cerca de 20 pontos percentuais atrás do desempenho típico de crianças de seis anos. Em um exemplo específico, o Gemini-3-Pro-Preview falhou em uma tarefa de percepção visual detalhada, escolhendo a resposta incorreta por focar excessivamente na descrição da geometria e não identificar o contorno exato.</p>nn<h3>Desempenho dos Modelos de IA em Tarefas Visuais Básicas</h3>nn<p>O estudo comparou o desempenho de diversos modelos de IA com um grupo de 80 crianças de diferentes faixas etárias. No quesito modelos proprietários, o Gemini 3 Pro se destacou, mas ainda assim, outros modelos apresentaram resultados preocupantes. O <strong>GPT-5.2</strong> atingiu apenas 34,4%, o Doubao-1.8 da Bytedance registrou 30,2%, e o Claude 4.5 Opus obteve meros 14,2%. Os modelos de código aberto tiveram um desempenho ainda mais modesto, com o Qwen3VL-235B-Thinking alcançando apenas 22,2%.</p>nn<p>As falhas se tornam ainda mais evidentes em tarefas específicas. Na tarefa de <strong>contar blocos 3D</strong>, o melhor modelo de IA registrou apenas 20,5%, enquanto os humanos alcançaram a perfeição com 100%. Em uma tarefa denominada “Observação de Linhas”, que exige que os modelos tracem linhas através de cruzamentos, apenas o Gemini conseguiu um desempenho notável de 83,3%, com a maioria dos outros modelos pontuando zero.</p>nn<h3>O Gargalo da Verbalização: Uma Explicação para as Falhas da IA</h3>nn<p>Os pesquisadores atribuem essas deficiências a um problema central que eles chamam de <strong>“gargalo da verbalização”</strong>. A hipótese é que os modelos multimodais atuais convertem a entrada visual em representações linguísticas antes de realizar qualquer raciocínio. Esse processo, segundo os cientistas, leva à perda de informações puramente visuais que não podem ser facilmente expressas em palavras.</p>nn<p>Enquanto conceitos semânticos, como “um carro vermelho em uma estrada”, são facilmente traduzidos para a linguagem, as <strong>relações geométricas</strong> e espaciais complexas não são. A curvatura exata de uma borda ou a posição precisa de um cruzamento podem ser perdidas durante essa conversão, resultando em erros. O BabyVision foi especificamente projetado para testar essas propriedades visuais que são intrinsecamente difíceis de descrever verbalmente, expondo assim essa fragilidade nos modelos de IA.</p>nn<h3>Desafios na Geração de Imagens e a Busca por Soluções</h3>nn<p>Para aprofundar a investigação, os pesquisadores criaram o “BabyVision-Gen”, uma extensão com 280 questões que exigem que os modelos gerem imagens, desenhem caminhos ou destaquem diferenças. Essa abordagem simula como crianças externalizam seu raciocínio visual através do desenho antes de verbalizar soluções.</p>nn<p>Embora os geradores de imagem tenham demonstrado algum potencial, com o Nano Banana Pro alcançando 18,3% e o GPT-Image-1.5 registrando 9,8% em certas tarefas, eles falharam completamente em desafios envolvendo <strong>labirintos e conexões de linhas</strong>. Essas tarefas requerem uma coerência espacial contínua em sequências extensas, algo que as arquiteturas atuais de IA ainda lutam para manter.</p>nn<p>Os pesquisadores sugerem que a solução pode residir em <strong>“modelos multimodais unificados”</strong>. Essas arquiteturas integrariam nativamente o processamento e a geração visual, mantendo a representação visual ao longo de todo o processo de raciocínio e evitando a compressão de informações em um gargalo linguístico. O benchmark BabyVision, disponível publicamente, servirá como uma ferramenta crucial para avaliar o progresso em direção a uma verdadeira inteligência visual.</p>nn<p>Paralelamente, o benchmark ARC-AGI-3, de Francois Chollet, avalia habilidades cognitivas básicas semelhantes, como permanência de objeto e causalidade, por meio de minijogos interativos. Atualmente, os sistemas de IA pontuam zero nesses desafios, enquanto os humanos os resolvem em poucos minutos, evidenciando a vasta jornada que ainda resta ser percorrida no campo da inteligência artificial.</p>"
}
“`
Deixe um comentário