精选理由
这个基准测试戳破了多模态模型在古文字识别上的泡沫——它们根本没在认字，只是认载体。做文化遗产数字化或OCR研究的团队，看完会重新思考模型能力的边界。
腾讯HY实验室联合四家机构发布Chronicles-OCR基准测试，专门评估AI对3000年中国古文字的识别能力。测试包含2800张专家标注图像，覆盖甲骨文、金文、篆书等七大类古文字。结果显示28个前沿多模态模型全部失败，最强模型在甲骨文上仅14%准确率，GPT-5和Gemini 2.5 Pro接近0。更反直觉的是，开启推理模式反而降低表现，模型实际依赖载体（如龟壳、青铜器）而非文字本身进行分类。该测试揭示了AI在文化遗产领域的巨大挑战。
原文 · berryxia
鹅厂好的新基准测试，叫Chronicles-OCR。 腾讯HY实验室和四家机构一起做的，专门测AI…
鹅厂好的新基准测试，叫Chronicles-OCR。
腾讯HY实验室和四家机构一起做的，专门测AI对3000年中国古文字的识别能力。
2800张专家标注的图像，覆盖甲骨文、金文、篆书、隶书、楷书、行书、草书七大类。
结果28个前沿多模态模型全军覆没。
最强的VLLM在甲骨文上也只拿到14%的准确率。
端到端检测的H-mean最高才16.5%。
GPT-5和Gemini 2.5 Pro直接接近0。
更反直觉的是，开启reasoning模式反而让表现变差。
Chain-of-thought在感知失败的时候，反而放大了幻觉。
模型其实根本没在认字，它认的是载体。
古文字分类准确率能到96.7%，靠的是看到龟壳、青铜器这些容器，而不是看懂上面的字符。
到底非遗中的价值，AI的攻克只有九牛一毛。