这两张斑马照片，是同一只吗？AI 被“长得像”难住了

给 AI 两张斑马照片，问一个问题：这是同一只吗？

两张照片里的动物可能姿势相似、毛色接近，连身后的草地都差不多。真正能证明身份的，却是身上一条条具体的纹路。反过来，同一只斑马换了光线和姿势，照片看起来也可能很不一样。

2026 年 11 月 3 日公开的 Bio-VQA 研究，把这道“动物认脸题”交给了 18 个开放权重视觉语言模型。结果很有意思：当研究者特意让“看起来像”和“确实是同一只”互相冲突时，17 个模型的辨别指标落到了随机水平以下。论文全文

AI 概念插画：青绿与赭色的野生动物图鉴风，以比较相似鸟类图卡表现仔细观察的过程，并非论文样本或实验截图。

把“像不像”和“是不是”拆开

研究团队来自伦斯勒理工学院。他们整理了约 21.7 万张图像、186 万道问题，来源是 11 个公开数据集，考察四类能力：认物种、找特征、数数和测量，以及辨认个体。

个体识别部分包括细纹斑马、豹、斑鬣狗、鲸鲨和白鲸。模型看到两张并排的照片，只需回答“是”或“否”。

研究者用 DINOv2 图像模型衡量照片的整体相似程度，再安排三种配对：

• 简单组：同一只动物选看起来很像的照片，不同动物选差别很大的照片。
• 随机组：随机配对。
• 困难组：同一只动物选看起来差别较大的照片，不同动物反而选看起来很像的照片。

配对还限制在相近的拍摄视角内，减少“左侧照与右侧照根本没法直接比”的干扰。每种动物、每个难度有 1,000 对照片，“同一只”和“不同只”各占一半，共 15,000 对。实验设计

这相当于给动物摄影册出了一套辨认题：别被姿势和背景带走，认真看看谁是谁。

17 个模型，把线索用反了

作者用 d′ 衡量模型能否分清两类照片。这个指标为零，表示没有辨别力；小于零，则说明判断方向与真实身份反着走。

困难组里，18 个模型中的 17 个出现了负值。它们对不同动物的照片，更容易回答“同一只”；真正属于同一只动物的照片，反倒没那么容易获得这个答案。

剩下那个模型也没有破解难题。它始终给出同一个答案，指标停在零。附录 H

作者据此提出一个解释：模型在很大程度上依赖整体外观相似度。平常，“照片很像”确实常常是有用线索；这次出题人故意把线索调了个方向，模型还沿用原来的判断习惯。

像是认人时主要盯着外套颜色。一旦两个陌生人穿了相同外套，而熟人换了一身衣服，这套办法就开始稳定地认错。

专门做动物个体识别的 MegaDescriptor，在细纹斑马的困难组里也遇到了同样的问题。这套题抓住的弱点，连专用识别系统都需要面对。

数一数、量一量，也各有难处

Bio-VQA 的其他题目同样贴近生物调查。

例如，在只含一张照片、画面中有 2 到 10 只动物的子集中，Qwen3-VL-32B 把数量完全数对的比例是 41.7%。动物挤在一起、彼此遮挡、外形相似时，报出准确数量仍然困难。

另一项任务要求模型根据图中的比例尺，测量甲虫鞘翅，也就是那对硬壳状前翅的长度或宽度。

作者准备了一个很朴素的对照：不看照片，长度题总报一个固定数，宽度题也总报一个固定数。以“测量误差在真实值的 20% 以内”为标准，18 个模型里有 15 个还不如这套固定答案。

这些模型往往能写对单位，却没有随着照片里的真实尺寸充分调整答案。计数与测量结果

这让“看懂图片”变得具体起来：认出动物、数清数量、读出比例尺、辨认个体，每件事都有自己的难点。

给 AI 一份具体的野外工作

这次实验采用单次直接回答，测试的是 18 个开放权重模型。困难配对专门按照 DINOv2 的相似度筛选，代表的是一场有针对性的压力测试；研究也没有提供人类专家在整套题上的对照成绩。研究范围

对实际的动物监测系统，这项研究给出一个很实用的提醒：验收任务时，要问清楚最终需要模型交付什么。

如果工作是统计种群，就检查准确计数和遮挡场景。如果工作是追踪个体，就安排同一个体在不同光线下的照片，也安排不同个体外观相似的照片。如果工作是测量体型，就让照片中的比例尺真正参与计算。

报出“这是一只斑马”，跟认出“这就是昨天那只”，隔着另一门功课。

论文：How Finely Can Vision-Language Models See Biology? Bio-VQA: A Benchmark for Taxonomic, Morphological, Spatial and Individual Reasoning。作者 S M Rayeed、Qian Ma、Charles V. Stewart、Yao Ma；2026-11-03 提交 arXiv v1；论文及作者项目页标注已获 WACV 2027 接收。末节为任务设计建议。