AI 认不出自己的老板：一张梗图，穿过三道视觉防线
我拿 DeepSeek 的模型问”这人是谁”，它答”奥巴马”。图里的人是梁文锋。
起点：一张图，一句问话
老沙发来一张图，只问了一句：这图上的人，你的新模型认得出来吗？
图里是一个穿深蓝西装、白衬衫的男人，面前立着麦克风，双眼射出红色激光，肌肉被夸张到健美选手的程度，外面套着一个粉蓝青渐变的圆角边框。底下写着”西装外套 /ˈsuːt ˈdʒækɪt/”和一个”不认识”按钮——看起来是某个背单词 App 的截图，用梗图做图像联想记忆。
先给答案：图里是梁文锋，北斗神拳版。网友 P 的健次郎肌肉，配上”开源”宣言，官方精选留言，等于认领了”开源硬汉”这个人设。
好，现在说说模型认成了什么。
第一道防线：原生视觉
要测”模型自己能不能认”，得先绕开应用层。
因为 OpenClaw 这类框架会先把图片喂给一个图片模型生成描述，再把描述当文本塞给主模型。主模型看到的不是像素，是别人写的观后感。这么测，测的是 caption 模型，不是被测模型。
所以我直连 API，把原图 base64 塞进去，问：
这张图片里的人是谁？只回答名字。如果你不认识这个人，就直说不认识，不要猜。
跑了四次，四个答案：
| 次数 | 回答 | 备注 |
|---|---|---|
| 1 | （空） | 思考烧了 5967 字符，把 4096 的额度吃光 |
| 2 | 常熟阿诺 | 编的 |
| 3 | 奥巴马 | 编的，还补充说人家戴眼镜 |
| 4 | 不认识 | 这次思考烧了 11084 字符 |
四次零正确。
第 2、3 次尤其值得看：提示词里明明写了”不认识就直说，不要猜”，它照样猜，猜得还很自信。第 3 次甚至主动补了细节——眼镜、恶搞表情包——像是在给一个错误答案加固。
第一次那个空回答也别放过：把 max_tokens 提到 8192 之后就有输出了。识别任务能烧掉一万多字符的思考，4096 根本不够用。这是”思考吃光输出预算”的老毛病，在视觉任务上一样成立。
第二道防线：换一个厂商的视觉模型
同一个问题，换另一个厂商的视觉模型（MiMo v2.5）看同一张图，三次三个答案：
不确定 / 雷军 / 武磊。
再问二选一”更像雷军还是马云”，它选雷军，依据是”脸型方正、短发、五官端正且戴眼镜”。
（图里那位确实是短发，也戴眼镜。答案依然是错的。）
第三道防线：自动 caption 通道
最有意思的是框架自带的那条路。图片进来，先自动生成一段描述，再交给主模型。这条通道给出的描述里，人物被认成了雷军。
三条路，三个错的答案，三种错法。
对照组：给它一张真照片
到这儿能说”它不会认人”吗？还不能。
这张梗图本身是 AI 合成的——肌肉化、激光眼、五官被重绘，人脸特征早就不是原来那个人的了。拿它测人脸识别能力，本身就不公平。
所以做对照：找一张公开的真实照片，同样的问题，同样不给提示。
- 主模型（V4.1 Flash）：0.9 秒，答对
- 另一个厂商的视觉模型：“抱歉，我不认识图片中的人”
（这里有个小乌龙：对照照片我搜的是雷军——因为我当时也照着 caption 的说法，默认图里是雷军。也就是说，这一轮里我、两个视觉模型、一条自动 caption，全都没认出来，其中我和 caption 还认错成了同一个人。）
结论先立住：真实照片上，它认人没问题。 卡点不在这里。
那它到底看见了什么？
再做一个实验：不给”识人”的任务，让它描述这张图。这次它做得很好：
画面中央是一位男性，面部轮廓分明，下颌线硬朗，留着黑色短发……身穿一件深蓝色的西装外套，内搭白色衬衫。衬衫领口最上面的扣子解开，显得较为随性……双眼发出强烈的红色光芒，并射出笔直的红色激光束……人物被一个粉、蓝、青渐变的圆角矩形边框框住……顶部有”单词训练”标题和显示”72%”的绿色进度条……
连领口扣子、边框渐变、进度条都描述了。它看见了几乎所有东西。
但它不知道这是谁，也不知道这张图在说什么梗。
这就是那道墙：从”识别”到”理解”，中间隔着的不是像素，是文化。
这道墙为什么难翻
一、梗图是文化压缩包。 一张”健次郎肌肉版梁文锋”，压缩了”北斗神拳””开源硬汉””网友玩梗””官方精选留言”一整条语境链。人类解压只需要一眼，因为它挂在共享的文化语料上。模型看到的却是”一个肌肉男在演讲，眼睛在发光”——元素全对，指涉全空。
二、失败模式比失败本身严重。 不知道却说知道，还主动补细节。这种”自信的编造”在聊天里是笑话，进了流程就是事故——它不会报错，它只会给你一个像模像样的错答案。
三、这是评测盲区。 如果只看”多模态能不能识图”的榜单，这类失败根本测不出来。榜单测的是描述准不准，而”指认”是另一回事。描述全对、指认全错，可以同时成立。
四、三条路全错，说明这不是”原生视觉 vs 管道”的差距。 caption 通道这次也没救场。是能力本身的边界。
收尾：认不出自己的老板
最后说个黑色幽默。
图里是 DeepSeek 的创始人。我拿 DeepSeek 的模型问”这人是谁”，它说”奥巴马”。
一个 AI 认不出自己公司的老板——因为老板被网友 P 成了漫画里的肌肉猛男，还加了激光眼。
这不是段子，是当下多模态能力的真实边界：它能看见西装外套，但看不见”西装外套”背后那个正在被玩梗的人。
附：实验方法
- 所有测试直连 API，不走应用层，避免 caption 注入干扰
- 提示词固定，重复跑 3–4 次观察一致性
- 对照组使用公开真实照片
- 结论从原始返回文本读出，不做关键词自动判定
- 局限：单张图、单一模型家族、样本量小；梗图本身是 AI 合成，人脸失真，天然难度偏高。这篇文章要说的不是”模型不行”，而是”它在哪一层不行”