您提到的“阿迪達(dá)斯有三條！”可能是在描述阿迪達(dá)斯標(biāo)志中的三條杠。然而，這個描述并不完全準(zhǔn)確，因為阿迪達(dá)斯標(biāo)志中的三條杠并不是一個固定的數(shù)量，它們可以根據(jù)不同的設(shè)計而有所變化。
阿迪達(dá)斯是德國的一家運動用品制造商，其標(biāo)志由三條平行的橫線組成，這些橫線通常被解釋為象征運動中的三條跑道。這個標(biāo)志最早出現(xiàn)在1948年，由阿迪達(dá)斯的創(chuàng)始人阿道夫·達(dá)斯勒設(shè)計。
如果您是在描述某個具體的阿迪達(dá)斯產(chǎn)品，并且該產(chǎn)品上有三條條紋，那么您可以說這個包上有三條條紋。但是，這并不意味著所有的阿迪達(dá)斯產(chǎn)品都有三條條紋，因為阿迪達(dá)斯的產(chǎn)品設(shè)計多種多樣，條紋的數(shù)量和排列方式也會有所不同。
因此，如果您想要準(zhǔn)確地描述某個阿迪達(dá)斯產(chǎn)品上的條紋數(shù)量，最好是根據(jù)具體的產(chǎn)品來觀察和描述。

相關(guān)內(nèi)容：

最近看到有博主用"六根手指的手"測試大模型的識圖能力，最開始覺得只是好玩，但最終測試出來基本上全軍覆沒，唯獨Claude 4，偶爾會正確，所有大模型給到答案都是五根手指。

這就很奇怪為什么如此簡單的一個問題，作為現(xiàn)在被眾星捧月般吹噓的大模型竟然數(shù)不出來？最終得出一個結(jié)論“大模型，其實從來都沒真的在看圖片，靠的是記憶……”

那既然它們跟人類一樣對于常識性、慣性問題懶得看懶得思考，我就用網(wǎng)上的一張山寨阿迪達(dá)斯四條杠的錯誤圖片(同時拼寫也是錯誤)+關(guān)鍵詞阿迪達(dá)斯，對幾款國產(chǎn)大模型進(jìn)行了一番測試?！斑@個阿迪達(dá)斯包的條紋有幾條？”

文心一言：三條

思考過程為：圖中的阿迪達(dá)斯(adidas)品牌標(biāo)志上有三條白色的斜條紋。

文心一言的回復(fù)沒有發(fā)現(xiàn)拼寫的錯誤，并且毫無猶豫的直接說是3條白色斜條紋，后面還給我科普起了歷史……

智譜GLM-4.5V：三條

思考過程為：阿迪達(dá)斯的標(biāo)志通常有三條條紋，不過有時候可能會有不同的設(shè)計，但這里圖片里的包上明顯有三條白色的條紋，排列成類似三角形的形狀。所以應(yīng)該是三條。需要確認(rèn)一下，有沒有可能看錯了，比如是不是四條或者其他數(shù)量，但根據(jù)常見的阿迪達(dá)斯標(biāo)志，三條是標(biāo)準(zhǔn)的，而且圖片里的條紋看起來確實是三條，所以答案應(yīng)該是三條。

智譜的思考過程就非常有意思，進(jìn)行了一次糾錯，同時也在試問自己是否有可能是四條，但由于給到的口令是“阿迪達(dá)斯”所以它慣性的確定阿迪的標(biāo)志是三條，這就讓我有了新的想法，如果不給它慣性口令“阿迪達(dá)斯”它是否有可能答對呢？比如直接識別圖上有幾條斜杠，測試放在后面，我們繼續(xù)。

階躍星辰step3： 三條

思考過程：圖片中顯示的是一個阿迪達(dá)斯(adidas)品牌的包。阿迪達(dá)斯標(biāo)志性的三條紋設(shè)計在包上清晰可見。這些條紋是白色的，橫向排列在包的上部。

通義千問 ：三條

思考過程：這個阿迪達(dá)斯包上的條紋有三條。這是阿迪達(dá)斯品牌經(jīng)典的三道杠設(shè)計，通常被稱為“三條紋”或“threestripes”。

Kimi ：三條+糾正拼寫糾錯

豆包 ：三條+糾正拼寫糾錯

騰訊元寶：三條

雖然所有的大模型回復(fù)的都是三個條紋，但豆包和kimi識別出了拼寫錯誤并給與糾正，矬子里拔高，相對來說算是比較搶眼的。正如前面測試中提到的，我們給了關(guān)鍵詞“阿迪達(dá)斯”，是否對它的判斷有一定的慣性影響？

那么我們?nèi)绻サ舭⒌线_(dá)斯的文字描述，Prompt改成“識別圖上有幾個白色條紋”，讓AI直接識圖會更準(zhǔn)確嗎？帶著這個想法我們一起來看看答案：

文心一言：三條

豆包：三條并糾錯

這塊我就不每張圖都放了，結(jié)果就是和之前的一樣，都是三條并且能夠糾正拼寫問題的依然是豆包和Kimi，識別過程像是從面上感知為阿迪達(dá)斯logo之后不加以思考或者假裝思考的直接生成答案：三條。

所有模型在識別四條杠時均出現(xiàn)計數(shù)錯誤，說明當(dāng)前多模態(tài)架構(gòu)的視覺編碼器存在顯著盲區(qū)?？焖俣ㄎ黄放茦?biāo)志的整體輪廓就觸發(fā)知識檢索，而未進(jìn)行像素級逐條計數(shù)。特別在加入關(guān)鍵詞后，語言模型的指令遵循性反而干擾了視覺分析，形成"確認(rèn)偏誤"。

作為大模型的深度用戶，想一想這個事情還是蠻可怕的，整個過程“人里人氣” 的……我們犯懶將一些事情交給大模型，大模型也犯懶，看都懶得看直接根據(jù)習(xí)慣給到答案，好像在說“這種小事情還用我來思考？答案拿去~”

后來我把這篇文章喂給了AI ，它給我了一個金句的提煉：真正的智能革命，不該是培養(yǎng)更聰明的鸚鵡，而是創(chuàng)造敢于質(zhì)疑的伙伴。

嗯……YY觀點的時候還是蠻拿手的。