AI 把每张卡片都看对了，为什么还是选错？
目录
AI 概念插画。
从八张物品卡里选三张：总价不能超预算，总重量不能超标，至少有一件指定颜色，同类物品不能太多，选中的物品还必须彼此兼容。
模型能一张张读出价格、重量和兼容关系，合起来做选择时，却频频违反这些条件。这是 Yuyang Dai、Yuxia Wang 和 Zhuohan Xie 于 2026 年 10 月 24 日提交的预印本《All the Facts, Still the Wrong Answer》研究的问题：看清了事实，为什么还做不出符合要求的决定？
先确认它到底有没有看清
作者生成了 1,600 道选卡题，候选数量分别为 2、4、6、8，每组 400 道。每张卡有价格、重量、颜色、类型和兼容名单等属性，程序穷举出唯一符合条件的组合，最后按全部条件是否同时满足来评分。
研究测试了 Qwen2.5-VL、Gemma 3、InternVL3 和 LLaVA-OneVision 共八个模型版本。
最直观的结果来自 Gemma-3-27B：把卡片单独拿出来问，所有受测属性都答对；到了八选三，400 道题只选对了 79 道，即 19.75%。
可能的问题是：一张张看很容易，整张图太挤。于是作者又让模型面对完整卡片网格，只询问其中某一张的属性，再把每张卡都答对的题筛出来。
Qwen2.5-VL-3B 在八张卡的 400 道题里，有 362 道能正确回答全部局部问题。但重新要求它直接选择组合时，这 362 道题的成功率只有 5.80%。同一张图，认出各项信息和完成联合选择之间，仍隔着很大一步。
把图换成文字，也没有自动解决
作者把图片中的真实属性直接写成文字交给模型，绕过识图。八选三时，Gemma-3-27B 的成功率从 19.75% 升到 33.50%，依然有约三分之二的题不满足全部要求。
这里难的事情，是同时守住多条规则。只检查颜色和类别，与同时计算总价、总重、逐对检查兼容关系，工作量不同。把“找到了正确的信息”和“用信息算出了正确的组合”合成一个总分，会掩盖失败发生在哪一步。
让模型抄表，让程序选组合
附录里有一个很实用的实验。作者把流程拆成两步：
- 视觉模型把每张卡转写成 JSON，列出各项属性。
- 确定性求解程序读取这些记录和题目约束，枚举候选组合，检查预算、重量、类别与兼容关系。
模型负责读图，程序负责联合计算。求解器只有在转写内容能推出唯一可行组合时才给答案。
在这组 400 道八选三的配对实验里：
| 模型 | 直接选组合 | 抄表后交给程序求解 |
|---|---|---|
| Qwen2.5-VL-3B | 5.75% | 92.25% |
| Qwen2.5-VL-7B | 11.75% | 96.75% |
| Gemma-3-12B | 14.00% | 89.50% |
| Gemma-3-4B | 10.25% | 0.50% |
最后一行尤其重要。Gemma-3-4B 经常只列出部分卡片就结束，四、六、八张卡的 1,200 次转写中，有 1,151 次漏了卡片。求解器没有完整输入，自然无法可靠地完成任务。
所以，分工以后还要检查交接：卡片是否齐全，字段能否解析，物品编号是否存在，兼容关系是否一致。最终答案也要再过一遍约束检查。
这给实际系统什么启发？
对于预算搭配、排程、路径选择这类规则明确的问题，可以把流程做成“提取事实 → 检查输入 → 求解 → 验证结果”。这样，识图错误、漏字段和组合计算错误各有明确的检查位置。
这项研究用的是人工生成的卡片和图结构，主要测试 3B 到 32B 的开放模型；上述求解流程也是作者在检查输出格式后做的探索性分析。它展示了一种具体可测的分工：让视觉模型提供结构化信息，让可执行的规则负责约束最后的答案。
每条事实都对，只是起点。最后选出的方案，也必须真的满足所有条件。
论文：All the Facts, Still the Wrong Answer: Integration Gaps in Vision-Language Models · 全文与附录
作者：Yuyang Dai（Florida State University）、Yuxia Wang（INSAIT / Sofia University）、Zhuohan Xie（MBZUAI） · 提交日期：2026-10-24