人类视觉是一个闭环：视线并非由单一快照决定，而是由中间假设持续引导重新定向。数十年的心理物理学和认知科学研究表明，这种主动观察对于广泛的任务至关重要。当前的多模态大语言模型（MLLM）是否具备主动观察能力，是一个现有视觉-语言基准无法回答的经验性问题。我们提出了 ActiveVision，这是一个让 MLLM 的主动观察能力变得可测量的基准，包含 3 个类别下的 17 项任务。这些任务旨在强制模型进行重复的视觉感知，而非单一的静态描述。前沿 MLLM 在 ActiveVision 上表现崩溃：我们评估中得分最高的模型 GPT-5.5（在最高暴露推理努力层级下）仅解决了 10.6% 的项目，并在 17 项任务中有 11 项得分为零；而 Claude Fable 5 尽管在大多数推理和编程排行榜上名列前茅，也仅解决了 3.5%，远低于平均得分 96.1% 的三位人类参与者。此外，即使模型编写并运行自己的视觉代码，大部分差距依然存在：此类代码在真实图像上不可靠，而捕捉其失败本身就需要模型所缺乏的主动感知能力。综合来看，这些结果表明当前 MLLM 缺乏稳健的主动视觉观察能力，这激励着能够闭合感知-推理循环的架构和训练目标。