独立测试 AI 视觉
独立、私有地测试 AI 到底看得多准。
AI 模型能读懂一块压力表吗？能数清托盘上有几个箱子吗？我们用自己制作、从不公开的图片和短视频来检验，所以没有哪个模型见过这些题。
更新于 36 个模型29 项测试已评分 70,000+ 次回答
排行榜
AI Vision Index 排行榜
得分是模型在 6 个技能类别（29 项测试）上的平均分，满分 100。我们把蒙对的部分扣掉了，0 分就是和瞎猜一样。两个得分近到分不出高下时，两个模型并列。
· 95% 置信区间 |
||||
|---|---|---|---|---|
| 1 | GPT-6 Astra中等OpenAI · API | 83.7±2.0 95% 置信区间 81.7 to 85.7 | $38.32 | |
| 2–3（并列） | GPT-6.1 Sol中等OpenAI · API | 81.3±1.3 95% 置信区间 80.0 to 82.5 | $7.94 | |
| 2–3（并列） | Claude Fable 5.2默认Anthropic · API | 80.7±2.1 95% 置信区间 78.6 to 82.8 | $53.10 | |
| 4–5（并列） | Gemini 4 Argon默认Google · API | 77.2±1.3 95% 置信区间 75.9 to 78.5 | $6.52 | |
| 4–5（并列） | Claude Opus 5.5默认Anthropic · API | 76.5±1.8 95% 置信区间 74.8 to 78.3 | $26.16 | |
| 6–9（并列） | Claude Sonnet 5.5默认Anthropic · API | 71.0±2.2 95% 置信区间 68.8 to 73.1 | $11.60 | |
| 6–9（并列） | Kimi K3.1 Pro默认Moonshot · API | 70.6±4.2 95% 置信区间 66.6 to 75.0 | $71.79 | |
| 6–9（并列） | Qwen3.8 Max默认Alibaba · API | 70.6±4.5 95% 置信区间 66.1 to 75.2 | $27.40 | |
| 6–9（并列） | Claude Fable 5.1默认Anthropic · API | 69.6±2.1 95% 置信区间 67.5 to 71.7 | $87.95 | |
| 10–18（并列） | Claude Haiku 5.5默认Anthropic · API | 63.5±1.5 95% 置信区间 62.1 to 65.0 | $1.01 | |
| 10–18（并列） | Gemini 3.8 Flash中等Google · API | 61.9±1.8 95% 置信区间 60.2 to 63.7 | $12.80 | |
| 10–18（并列） | GPT-6 Luna中等OpenAI · API | 60.7±1.5 95% 置信区间 59.3 to 62.2 | $0.74 | |
| 10–18（并列） | Qwen3.8-27B默认Alibaba · API | 59.0±8.1 95% 置信区间 51.8 to 68.0 | $7.75 | |
| 10–18（并列） | Qwen3.8 Flash默认Alibaba · API | 56.4±1.4 95% 置信区间 55.0 to 57.8 | $3.04 | |
| 10–18（并列） | Grok 4.7默认xAI · API | 54.9±8.0 95% 置信区间 48.1 to 64.1 | $27.40 | |
| 10–18（并列） | Mistral Large 4默认Mistral · API | 52.7±7.5 95% 置信区间 46.7 to 61.7 | $9.59 | |
| 10–18（并列） | Muse Spark (open)默认Meta · API | 47.6±8.5 95% 置信区间 40.3 to 57.3 | $19.12 | |
| 10–18（并列） | GLM-5V-Turbo默认Zhipu · API | 46.8±2.4 95% 置信区间 44.6 to 49.5 | $12.50 | |
| 19–29（并列） | DeepSeek V4.1 Flash默认DeepSeek · API | 44.4±1.3 95% 置信区间 43.2 to 45.8 | $1.43 | |
| 19–29（并列） | GLM-5.3 Flash默认Zhipu · API | 43.2±1.5 95% 置信区间 41.7 to 44.7 | $1.40 | |
| 19–29（并列） | Qwen3.6-35B-A3B默认Alibaba · API | 43.0±7.8 95% 置信区间 36.9 to 52.4 | $3.77 | |
| 19–29（并列） | Qwen3-VL-235B默认Alibaba · API | 41.2±7.6 95% 置信区间 35.0 to 50.2 | $7.96 | |
| 19–29（并列） | MiniMax M3默认MiniMax · API | 40.9±2.5 95% 置信区间 38.7 to 43.6 | $3.53 | |
| 19–29（并列） | Step-5 (preview)默认StepFun · API | 40.7±8.6 95% 置信区间 33.2 to 50.3 | $12.50 | |
| 19–29（并列） | MiMo v2.6 Pro默认Xiaomi · API | 40.3±2.0 95% 置信区间 38.6 to 42.6 | $4.60 | |
| 19–29（并列） | Gemini 3.5 Flash-Lite默认Google · API | 40.3±1.5 95% 置信区间 38.7 to 41.8 | $0.34 | |
| 19–29（并列） | Gemma 4 31B默认Google · API | 38.8±6.6 95% 置信区间 33.4 to 46.6 | $1.94 | |
| 19–29（并列） | Seed 2.1 Turbo默认ByteDance · API | 38.3±7.1 95% 置信区间 32.3 to 46.5 | $10.85 | |
| 19–29（并列） | Hunyuan HY4默认Tencent · API | 37.9±7.7 95% 置信区间 31.2 to 46.5 | $5.71 | |
| 30–31（并列） | Qwen3.5-9B不思考Alibaba · 本地运行 | 29.5±1.5 95% 置信区间 28.0 to 31.1 | $0（本地） | |
| 30–31（并列） | Perceptron Mk1.5默认Perceptron · API | 28.8±1.5 95% 置信区间 27.4 to 30.4 | $0.20 | |
| 32 | Qwen3-VL-8B默认Alibaba · 本地运行 | 26.0±1.4 95% 置信区间 24.8 to 27.6 | $0（本地） | |
| 33 | MiniCPM-V 4.5默认OpenBMB · 本地运行 | 17.1±1.4 95% 置信区间 15.9 to 18.7 | $0（本地） | |
| 34–36（并列） | Gemma 4 E4B默认Google · 本地运行 | 13.7±1.3 95% 置信区间 12.5 to 15.2 | $0（本地） | |
| 34–36（并列） | Mistral Small 2603默认Mistral · API | 12.5±1.4 95% 置信区间 11.5 to 14.2 | $0.26 | |
| 34–36（并列） | LFM2.5-VL 1.6B默认Liquid · 本地运行 | 12.4±1.4 95% 置信区间 11.4 to 14.2 | $0（本地） |
“2–3” 这样的排名表示这几个模型并列。横轴范围 0 到 90。 总分是 6 个类别得分的平均值，每个类别分量一样。 得分怎么算。各类别和各项测试的得分见分项测试页。
成本是按各厂商标准价格算出的每1000次回答的美元花费。在我们自己显卡上运行的模型，成本记为 $0。 标着“不含视频”的模型没法参加两项视频测试，得分只算其余测试。全部结果（JSON）
OpenAIAnthropicGoogleMoonshotAlibabaxAIMistralMetaZhipuDeepSeekMiniMaxStepFunXiaomiByteDanceTencentPerceptronOpenBMBLiquid空心点：本地运行
越高越好，越靠左越便宜。竖线是 95% 置信区间。点的颜色代表厂商。空心点在我们自己的显卡上运行，每次回答不花钱，所以都在 $0 一列。 虚线连起同等价位里得分最高的模型：没有更便宜的模型比它们分数更高。
模型得分（满分 100）每1000次回答的成本
- GPT-6 Astra83.7$38.32
- GPT-6.1 Sol81.3$7.94
- Claude Fable 5.280.7$53.10
- Gemini 4 Argon77.2$6.52
- Claude Opus 5.576.5$26.16
- Claude Sonnet 5.571.0$11.60
- Kimi K3.1 Pro70.6$71.79
- Qwen3.8 Max70.6$27.40
- Claude Fable 5.169.6$87.95
- Claude Haiku 5.563.5$1.01
- Gemini 3.8 Flash61.9$12.80
- GPT-6 Luna60.7$0.74
- Qwen3.8-27B59.0$7.75
- Qwen3.8 Flash56.4$3.04
- Grok 4.754.9$27.40
- Mistral Large 452.7$9.59
- Muse Spark (open)47.6$19.12
- GLM-5V-Turbo46.8$12.50
- DeepSeek V4.1 Flash44.4$1.43
- GLM-5.3 Flash43.2$1.40
- Qwen3.6-35B-A3B43.0$3.77
- Qwen3-VL-235B41.2$7.96
- MiniMax M340.9$3.53
- Step-5 (preview)40.7$12.50
- MiMo v2.6 Pro40.3$4.60
- Gemini 3.5 Flash-Lite40.3$0.34
- Gemma 4 31B38.8$1.94
- Seed 2.1 Turbo38.3$10.85
- Hunyuan HY437.9$5.71
- Qwen3.5-9B29.5$0（本地）
- Perceptron Mk1.528.8$0.20
- Qwen3-VL-8B26.0$0（本地）
- MiniCPM-V 4.517.1$0（本地）
- Gemma 4 E4B13.7$0（本地）
- Mistral Small 260312.5$0.26
- LFM2.5-VL 1.6B12.4$0（本地）
按得分排序。 成本条使用同一比例尺，最长的是 $87.95。 在我们自己显卡上运行的模型，每次回答不花钱。
文章
数字背后的含义
用大白话讲讲我们从测试里看到了什么。
我们用私有测试评测了 36 个 AI 视觉模型AI Vision Index 涵盖来自 18 家厂商的 36 个模型：谁看得最准，要花多少钱，以及每个模型仍然会在哪里出错。阅读全文
读仪表、标签和小字，最强的 AI 是 GPT-6 Astra，领先优势明显GPT-6 Astra 在我们的八项阅读测试中得 88 分（满分 100），比第二名高 6 分。在最小的字上它得 98 分，Claude Opus 5.5 只得 44 分。
AI 能数到 20 以上吗？画面一乱就不行。物体不超过 10 个时，最好的模型十次里能数对九次以上。在杂乱场景里有 21 到 30 个物体时，最好的模型只能数对五分之一。整齐的堆叠和逐个经过的视频则是另一回事。
核对发票：能。数人群：还不行。如今 AI 能做哪些看图工作在我们 29 项测试中的四项上，在较大样本上测试的 24 个模型里有九个或更多得分达到 90 或以上（满分 100），其中最便宜的每1000次回答只要 20 到 74 美分。在另外五项测试上，它们没有一个达到 80 分。
分项测试
每个模型强在哪里，弱在哪里
每个模型在 6 个类别上的得分，满分 100。鼠标移到格子上或点一下，能看到 95% 置信区间；点模型名能进入它的页面。全部 29 项测试和视频结果在分项测试页。
| GPT-6 Astra中等 | 88 | 78 | 84 | 84 | 98 | 71 |
|---|---|---|---|---|---|---|
| GPT-6.1 Sol中等 | 82 | 76 | 80 | 81 | 96 | 72 |
| Claude Fable 5.2默认 | 81 | 64 | 86 | 86 | 95 | 72 |
| Gemini 4 Argon默认 | 80 | 58 | 72 | 89 | 90 | 74 |
| Claude Opus 5.5默认 | 75 | 63 | 71 | 84 | 90 | 76 |
| Claude Sonnet 5.5默认 | 69 | 53 | 68 | 74 | 84 | 78 |
| Kimi K3.1 Pro默认 | 72 | 53 | 62 | 77 | 91 | 68 |
| Qwen3.8 Max默认 | 67 | 56 | 75 | 72 | 84 | 69 |
| Claude Fable 5.1默认 | 63 | 63 | 69 | 75 | 76 | 71 |
| Claude Haiku 5.5默认 | 62 | 48 | 48 | 72 | 79 | 72 |
| Gemini 3.8 Flash中等 | 58 | 42 | 66 | 85 | 68 | 53 |
| GPT-6 Luna中等 | 59 | 35 | 54 | 73 | 71 | 73 |
| Qwen3.8-27B默认 | 52 | 47 | 52 | 78 | 60 | 65 |
| Qwen3.8 Flash默认 | 58 | 41 | 55 | 64 | 66 | 55 |
| Grok 4.7默认 | 54 | 53 | 50 | 68 | 40 | 64 |
| Mistral Large 4默认 | 48 | 40 | 38 | 67 | 67 | 57 |
| Muse Spark (open)默认 | 54 | 33 | 41 | 53 | 40 | 65 |
| GLM-5V-Turbo默认 | 50 | 19 | 49 | 63 | 47 | 53 |
| DeepSeek V4.1 Flash默认 | 41 | 17 | 42 | 61 | 54 | 52 |
| GLM-5.3 Flash默认 | 42 | 16 | 39 | 56 | 49 | 57 |
| Qwen3.6-35B-A3B默认 | 62 | 13 | 32 | 46 | 47 | 57 |
| Qwen3-VL-235B默认 | 46 | 20 | 34 | 42 | 40 | 65 |
| MiniMax M3默认 | 41 | 15 | 37 | 54 | 52 | 47 |
| Step-5 (preview)默认 | 42 | 20 | 32 | 46 | 47 | 57 |
| MiMo v2.6 Pro默认 | 36 | 19 | 37 | 58 | 46 | 46 |
| Gemini 3.5 Flash-Lite默认 | 40 | 22 | 39 | 44 | 44 | 53 |
| Gemma 4 31B默认 | 36 | 0 | 31 | 48 | 40 | 78 |
| Seed 2.1 Turbo默认 | 27 | 27 | 16 | 46 | 47 | 68 |
| Hunyuan HY4默认 | 33 | 7 | 24 | 53 | 47 | 64 |
| Qwen3.5-9B不思考 | 36 | 19 | 27 | 24 | 25 | 46 |
| Perceptron Mk1.5默认 | 39 | 11 | 36 | 16 | 24 | 47 |
| Qwen3-VL-8B默认 | 33 | 18 | 22 | 18 | 19 | 46 |
| MiniCPM-V 4.5默认 | 21 | 12 | 6 | 16 | 7 | 40 |
| Gemma 4 E4B默认 | 16 | 3 | 10 | 7 | 7 | 39 |
| Mistral Small 2603默认 | 15 | 10 | 7 | 12 | 10 | 22 |
| LFM2.5-VL 1.6B默认 | 18 | 6 | 3 | 15 | 4 | 29 |
格子颜色越深，得分越高。点列名可以排序。
方法
我们怎么测
图片是我们自己做的，从不公开。每道题只有一个确切答案，蒙对的不算分。下面是计数测试里的一道题，配上三个模型的真实回答。
“一共有多少个红色三角形？”
Claude Opus 5.5 正在数……回答 46实际：70
GPT-6 Astra 正在数……回答 77实际：84
Qwen3-VL-8B 正在数……回答 120实际：69
已数数错了漏数
私有测试图片
每张测试图片都是我们自己做的，从不放到网上，所以不会出现在任何模型的训练数据里。
脚本能核对的答案
每道题只有一个正确答案，比如一个时间、一个数字或一段短编码。由脚本核对，不看任何人的主观判断。
扣除猜测因素
两个选项的题，闭着眼猜也能对一半。我们把这部分从得分里扣掉。
结果都标日期
模型名字不变，内容却可能变了，所以每个得分都注明我们是哪天测的。