拍照即理解：Chance Vision 1.5 登顶视觉推理榜，AI 看懂复杂画面

在 WAIC 2026 现场，Chance AI 展示了一个让人眼前一亮的场景：观众对准一台陌生机器人拍张照，AI 不仅认出“这是人形机器人”，还能结合展板信息告诉你它由谁开发、展示什么能力、和同类比有什么看点。支撑这一体验的，是刚刚发布的视觉推理模型 Chance Vision 1.5——它在高难度多模态理解基准 MMMU-Pro 上拿下 86.9% 的综合准确率，超过人类专家的 85.4% 和 GPT-5.4 Thinking 的 82.1%，位列全球第一。厂商称，这并非简单的拍照识物，而是让 AI 真正结合视觉信息、专业知识和复杂推理来理解画面。

目前能确认到哪一步
announced：Chance AI 在 WAIC 2026 上正式发布 Chance Vision 1.5，并公开了 MMMU-Pro 榜单成绩和现场演示。厂商同时发布了关于个人视觉记忆的论文，但未公布模型的具体参数、价格或商用时间。

拍照即理解：WAIC 现场把搜索压缩成一次快门
上千家展商、密集的产品演示和专业术语同时出现，观众往往拍了大量照片，离开展位后却很难想起“这家公司是谁、产品解决什么问题”。传统搜索要求用户先看清名称、组织关键词，再跳转多个页面。Chance AI 在 WAIC 现场把这条路径压缩到一次拍摄：用户只需拍下展位、展板或设备，AI 就会从画面中识别展商与产品，补全团队、技术和产品背景，提炼值得关注的要点，并整理成可以继续追问、收藏与分享的结构化笔记。

例如，当观众对准一台陌生机器人时，Chance AI 不只给出“这是一台人形机器人”的标签，还会继续理解现场展板、设备形态与上下文，说明它由谁开发、正在展示什么能力、与同类产品相比有哪些关注点。用户不必先知道应该问什么，摄像头本身就是理解现场的入口。厂商称，这套体验基于 Chance Vision 1.5 的视觉推理能力，但现场演示效果是否在所有场景下稳定，仍需更多实测验证。



86.9% 登顶 MMMU-Pro：不只是“看图说话”
MMMU-Pro 并不是普通的拍照识物测试，它覆盖工程图、地图、图表、化学结构等专业视觉材料，并通过删除不依赖图片即可作答的问题、增加干扰选项以及引入 Vision-only 设置，重点考察模型能否真正结合视觉信息、专业知识与复杂推理完成任务。Chance Vision 1.5 在官方公开榜单中取得 86.9% 的综合准确率，高于人类专家的 85.4%、GPT-5.4 Thinking w/ tools 的 82.1% 和 Gemini 3.0 Pro 的 81.0%，位列第一。

厂商表示，Chance Vision 1.5 的能力不只适用于展会中的物体和展商识别，也能够处理结构复杂、信息密集且需要专业知识参与的视觉问题。不过，榜单成绩仅反映模型在特定测试集上的表现，实际场景中的泛化能力、推理速度和资源消耗等关键指标尚未公布。媒体观察认为，这一成绩证明了视觉推理的进步，但距离通用视觉 Agent 仍有距离。





从“看懂”到“行动”：个人记忆如何影响 AI 决策
Chance AI 在发布 Chance Vision 1.5 的同时，公开论文《Memory-Conditioned Tool Calling for Camera-First Visual Agents》，首次系统披露个人记忆如何参与 Visual Agent 的工具选择与行动决策。研究发现，记忆并非在答案生成后附加一句“根据你的喜好”，而是会提前影响 Agent 调用什么工具、使用什么查询词、检索到什么深度，以及何时停止。研究团队使用 800 张真实场景图片与受控构造的个人记忆进行对照实验，移除三层个人记忆后，工具查询相关性下降 11.2%，端到端任务效用下降 9.7%。

厂商举例称，面对同一台机器人，行业从业者可能关注技术路线与供应链，投资人关注团队和商业化进展，普通观众则更想知道它能做什么。个人记忆的作用，是让 Visual Agent 不只识别眼前的对象，还能判断哪些信息与当前用户真正相关。联合创始人兼 CTO 吴晓凡表示：“榜单验证的是 AI 能不能看懂复杂画面，真正的产品问题是，看懂之后它该查什么、为什么查，以及如何帮助用户完成下一步。”目前，Chance AI App 已覆盖旅行、消费等场景，总用户数达 30 万，月活约 9 万。

资料线索
• m.sohu.com
• medicalnewstoday.com
• travelweekly.co.uk
• theatlantic.com

本文是基于公开页面整理的 AI 硬件情报，不是本站实测或购买建议。图片发布副本增加 waoo.ai 水印，原摄影者和来源标识保留。