现在不少人用AI模型来判断一张图片是不是真的。我们的测试表明，别太依赖它们，只有一个模型算是部分例外。
在“真实还是AI生成”测试中，模型每次看到一张图片，要判断它是真实照片，还是图像模型生成的。一半图片是真实的，所以随机猜测的正确率是50%。下面是几个领先模型的答对比例：
| 模型 | 厂商 | 答对比例 |
|---|---|---|
| Gemini 4 Argon | 80.7% | |
| Claude Fable 5.1 | Anthropic | 74.0% |
| Claude Opus 5.5 | Anthropic | 72.0% |
| Claude Sonnet 5.5 | Anthropic | 72.0% |
| Claude Fable 5.2 | Anthropic | 70.0% |
| GPT-6 Luna | OpenAI | 62.0% |
| GPT-6.1 Sol | OpenAI | 59.3% |
| GPT-6 Astra | OpenAI | 57.5% |
在 AI Vision Index 总榜上排名第一的 GPT-6 Astra 和并列第二的 GPT-6.1 Sol，在这项测试里只比抛硬币好一点。Astra 的误差范围大到把50%也包含在内。只有 Gemini 4 Argon 超过了80%。在较大样本上测试的24个模型中，有9个低于60%，Mistral Small 2603 恰好是50%。
另外12个在较小样本上测试的模型见排行榜。
每根条是模型判断正确的图片占比，误差线是 95% 置信区间。抛硬币的结果是 50%。
难度断崖
图片分为不同难度等级。前三级，模型的平均答对率分别是70%、76%和71%；到最后两级，跌到50%和46%，等于抛硬币。
灰色细线：每个模型一条。第1级最容易。虚线是抛硬币的 50%。
Gemini 4 Argon 在最难的两级里表现最稳，都答对了63%。第1到第3级，它分别答对100%、87%和90%。Claude Opus 5.5 的成绩依次是93%、87%、83%，然后是47%和50%。GPT-6 Astra 起点较低，到最后一级跌到25%，比乱猜还差。Claude Fable 5.2 前三级都答对88%，第四级62%，最后一级同样只有25%。每一级的样本都很小，不必对单个数字过度解读。
这意味着什么
如果模型告诉你“这看起来是真的”或“这看起来是AI生成的”，最好的情况下也只有大约五分之四的把握，而且这还是所有难度合在一起的结果。在最难的等级上，大多数模型其实是在瞎猜。在几乎所有其他测试里都最强的 GPT-6 Astra，在这项测试中只排在这24个模型的第17位。
测试方法
每张图片要么是真实照片，要么由图像生成器制作，单独展示给模型。我们为每张AI生成的图片配了一张主题相近的真实照片，这样模型就无法靠“了解典型主题长什么样”来取巧。问题始终相同，答案是确定的。这里的得分是原始答对比例，因为猜对的概率就是50%。在排行榜上，同一项测试是按扣除蒙对概率后的方式展示的：抛硬币为0，全对为100。按这个标尺，Gemini 4 Argon 得61分，GPT-6 Astra 得15分。这些图片从不公开。
测试时间为2026年10月22日至11月10日。所有日期见排行榜。