Vì sao nó không đọc được đồng hồ kim?
Đọc đồng hồ kim: mô hình vision thấy những cây kim mảnh chỉ trong vài patch, phải tìm lại hai góc thật chính xác, và nghiêng về 10:10, giờ nó thấy nhiều nhất trong ảnh đồng hồ · Cơ bản · 5 phút · tokens, llm · học sau Vision: ảnh thành token
Mô hình vision thấy đồng hồ là một lưới patch, và những cây kim mảnh chỉ nằm trong vài patch. Từ đó nó phải đoán hai góc thật chính xác; nó hay nhầm hai kim với nhau và quay về 10:10, giờ thường thấy trong ảnh đồng hồ.
1 Đoán trước
2 Xem
One clock, read the way a vision model reads it
1 / 4You: 4:38
clock illustrative · 28 px patches as in the vision lesson
You read this at a glance: 4:38. The short hand is past 4, the long hand is on the 38-minute mark.
Mô hình thấy đồng hồ là các patch, và những cây kim mảnh chỉ chiếm vài patch; từ đó nó phải đoán hai góc thật chính xác, và chỉ cần nhầm hai kim là lệch hàng giờ.
Mô hình vision cắt ảnh thành các patch và đọc mỗi patch như một token, như trong bài về cách AI đọc ảnh. Muốn biết giờ cần hai góc chính xác: kim dài đi 6° mỗi phút, còn kim ngắn nằm giữa hai con số. Kim thì mảnh, nên chỉ vài patch chứa chúng, và không có gì đánh dấu kim nào là kim nào.
4 Bạn là model
Bạn là mô hình, đọc đồng hồ từ các patch của mình. Trả lời ba đồng hồ: một cái khi bạn không chắc, một cái có hai kim mảnh mà bạn nhầm với nhau, và một cái mà bạn tả từng kim trước.
round 1 of 3 · Most clock photos you learned from show about 10:10, the watch-ad pose.
Two thin hands make a V, one near the 2, one on the 10. Which is longer is hard to tell from your patches. You say:
clocks illustrative · Fu et al. 2025, arXiv:2505.10862
You are the model. Answer from your patches.5 Kiểm tra
Ảnh đồng hồ trên mạng lệch hẳn về những giờ như 10:10, tư thế của ảnh quảng cáo đồng hồ, nên mô hình ít thấy đồng hồ ở giờ khác. Một nghiên cứu năm 2025 thấy GPT-4.1 lệch khoảng 4 phút với đồng hồ thường, nhưng lệch khoảng một giờ khi kim mảnh hơn và có đầu mũi tên: nó nhầm kim nào là kim nào.
Hãy nhờ nó tả từng kim trước khi nói giờ: kim nào ngắn nhất, và mỗi kim chỉ chính xác vào đâu. Khi đó nhầm kim sẽ lộ ra, vì các phần không khớp nhau. Tốt hơn nữa, hãy đọc giờ bằng cách khác: đồng hồ số, điện thoại, hoặc thời điểm chụp lưu trong ảnh. Các mô hình mới làm tốt hơn nhiều, nhưng người vẫn dẫn đầu.
8 Nói lại bằng lời bạn
9 Nhiệm vụ · 5 phút
Chỉnh một chiếc đồng hồ treo tường hoặc đeo tay về một giờ lẻ như 4:38 (hoặc tìm ảnh một chiếc như vậy) rồi tải lên ChatGPT kèm câu “What time does this clock show?” (Đồng hồ này chỉ mấy giờ?). Sau đó, trong một cuộc trò chuyện mới, gửi lại ảnh kèm “Before giving the time, describe each hand: its length and exactly where it points.” (Trước khi nói giờ, hãy tả từng kim: độ dài và chính xác nó chỉ vào đâu.) Câu trả lời nào đúng?
Ba câu nhanh
Rút ngẫu nhiên từ bộ câu hỏi của bài; lần sau sẽ khác.
Xong chưa?
Nhận email khi có bài mới
Bài mới nằm trong bản tin hằng tuần, chỉ gửi vào tuần có bài. Bạn xác nhận qua email trước; hủy đăng ký chỉ với một lần bấm.
Đọc thêm
Nguồn
- Safar, “ClockBench: Visual Time Benchmark Where Humans Beat the Clock, LLMs Don’t” (https://clockbench.ai/ClockBench.pdf, dated Sep 2, 2025, checked 2026-10-23): 180 clocks, 36 clock faces, 720 questions; 11 models from 6 labs via OpenRouter; 5 adult unspecialised humans. §3.1 time reading on valid clocks: human 88.1%–93.7% (89.1% average), top model Gemini 2.5 Pro 13.3%. §3.4: human median error 3 minutes; model median error 1 hour for the best model, over 3 hours for the worst; averages between roughly 2 and 3 hours. §3.5.1: Roman numerals and circular numerals hardest
- ClockBench leaderboard (https://clockbench.ai/, checked 2026-10-23), “Accuracy”: Average Human Performance 90.7%, Top Human 95%, Gemini 4 Argon High 83.3% (top model), Gemini 2.5 Pro 18.9%, GTP-4o [sic, GPT-4o] 6.7%. The leaderboard figure for Gemini 2.5 Pro differs from the paper’s 13.3%; the page does not say which questions it scores
- Fu, González, Conde, Reviriego, Merino-Gómez, “Have Multimodal Large Language Models (MLLMs) Really Learned to Tell the Time on Analog Clocks?” (arXiv:2505.10862, v1 2025-05-16, https://arxiv.org/abs/2505.10862, checked 2026-10-23). §1: datasets “are highly biased towards some specific times like for example 10:10”. §2: gpt-4.1-2025-04-14, 150 random times, MAE 232.48s for the initial clocks (about 4 minutes), 3726.93s when hands are changed (thinner, with an arrowhead; about 62 minutes). §3: “the model confuses the functions of the clock hands”. Table 1: modified hands, confused, 45 clocks, MAE 10088.9s (about 2.8 hours)
- Clock geometry: the long hand turns 360° in 60 minutes (6° a minute), the short hand 30° an hour; 4:38 puts them at 228° and 139°, and read with the hands swapped it gives 7:23; computed, not measured. Patches: 28 × 28 px as in the vision lesson (Anthropic vision docs), so a 280 px clock is 10 × 10 = 100 patches; the hands’ patch count is computed from the drawing
- The 4:38 and 1:50 clocks, the role’s wrong options, the “describe each hand first” advice, the station-clock question and the friend’s photo are illustrative, not from a benchmark; ClockBench did not test a step-by-step prompt
- aifree.dev catalog, chatgpt-free (verified 2026-10-12): ChatGPT Free Plan, which takes image uploads
Đăng Oct 23, 2026 · cập nhật Oct 23, 2026