量子电路视觉：量子代码生成的视觉AI智能体成本感知评估

AI智能体能否视觉理解量子电路图并生成经过验证的可执行代码——成本如何？我们提出了Quantum Circuit Vision，一个用于多模态AI智能体在量子电路视觉理解上的成本感知评估框架。我们构建了一个包含13个类别（$1$--$10$量子比特）的132电路基准，并附带可执行的Amazon Braket代码和酉保真度验证。我们评估了三个不同能力-成本层级的Claude系列前沿模型，进行了$n=5$次重复试验，发现中档模型（Sonnet 4.6，$1.30\times$积分）在成本-精度前沿上提供了最有利的平衡：在核心子集上达到91%的通过率，而每次调用的成本仅为最强模型（Opus 4.6）的18%，后者的精度优势在统计上不显著（配对$t$检验：$p=0.083$）。逻辑回归证实，电路深度——而非量子比特数量——是失败的主要预测因子（$p<0.001$）。思维链提示未显示出统计学显著效应（所有$p>0.18$，$n=5$），这表明对于结构耦合图，视觉模式识别比显式推理策略更重要。我们提出了一种级联路由策略（廉价→昂贵模型），以单模型成本的38%实现了84%的准确率，表明模型路由作为成本杠杆优于提示工程。我们在Hugging Face Hub上发布了QCV-Dataset（132个电路，5种模态，1,931个文件）作为开放评估基础设施，并附带结构化元数据以支持可发现性、互操作性和负责任的AI文档，所有评估代码、成本日志和验证脚本均在GitHub上提供，以确保完全可复现性。