AI Vision Index（视觉指数）是一个独立的排行榜，评测能看图片和视频的 AI 模型。测试由我们自己制作，大多用脚本生成，因此每道题的正确答案我们都确切知道。测试是私有的：我们从不公开图片和题目，所以模型不可能从网上学到它们。每个结果都标有测试日期。
指数涵盖来自 18 家厂商的 36 个模型，共 29 项测试、六个类别。所有模型的测试时间为 2026 年 10 月 22 日至 11 月 10 日。
简要结论
- OpenAI 的 GPT-6 Astra 以 83.7 分（满分 100）排名第一。 GPT-6.1 Sol（81.3）和 Anthropic 的 Claude Fable 5.2（80.7）并列第二：两者的误差范围重叠。随后是 Google 的 Gemini 4 Argon（77.2）和 Anthropic 的 Claude Opus 5.5（76.5）。只有这五个模型得分超过 75。
- 接下来是一组得分很接近的模型。 Anthropic 的 Claude Sonnet 5.5 得 71.0 分。月之暗面（Moonshot）的 Kimi K3.1 Pro 和阿里巴巴的 Qwen3.8 Max 是得分最高的中国模型，同为 70.6 分，紧随其后。两者的测试样本都较小，所以误差范围更宽：Kimi K3.1 Pro 为正负 4.2（66.6 到 75.0），Qwen3.8 Max 为正负 4.5（66.1 到 75.2）。两个区间都涵盖 Claude Sonnet 5.5 和 Claude Fable 5.1（69.6）的得分，所以这四个模型彼此都在误差范围之内，共同排在第六到第九名。
- 中间段跨度大，底部分数低。 有 16 个模型得分超过 50，中位数为 45.6。最低的 LFM2.5-VL 1.6B 只有 12.4。
- 没有哪个模型样样第一。 在较大样本上测试的 24 个模型中，GPT-6 Astra 在 29 项测试中有 13 项得分最高，Claude Fable 5.2 有 10 项，其中三项两者并列。Gemini 4 Argon 在“找变化与找错误”类别领先。
- 价格不能预示质量。 我们测过的最贵的模型在这 36 个模型中只排第九。
| 排名 | 模型 | Score · 95% 置信区间 |
每1000次回答的成本 | 测试日期 |
|---|---|---|---|---|
| 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） |
The overall score is the average of the six category scores. 显示为“2–3”的排名是并列：这些得分太接近，分不出高下。
六个类别
每项测试属于一个类别。模型的类别得分是其各项测试得分的平均值，总分则是六个类别得分的平均值，因此没有哪个类别会一家独大。
| 类别 | 涵盖内容 | 最佳模型 | 得分 | 36 个模型的平均分 |
|---|---|---|---|---|
| 阅读 | 标签、仪表、图表、编码、红绿灯、时钟 | GPT-6 Astra | 88 | 50 |
| 计数 | 场景中的物体、堆叠的货物、视频传送带上的物品 | GPT-6 Astra | 78 | 33 |
| 空间、3D 与运动 | 深度、方向、镜像、倒塌的堆叠物、追踪藏起来的物体 | Claude Fable 5.2 | 86 | 44 |
| 找变化与找错误 | 什么变了、什么不对、什么对不上 | Gemini 4 Argon | 89 | 56 |
| 示意图 | 追踪线缆和管道、推算缺失的尺寸 | GPT-6 Astra | 98 | 54 |
| 不被误导 | 不存在的物体、错觉、AI 生成的图片、说出“我分不出来” | Claude Sonnet 5.5 | 78 | 59 |
GPT-6 Astra 在六个类别中领先三个。在“空间、3D 与运动”类别，Claude Fable 5.2（86）和 GPT-6 Astra（84）彼此都在误差范围之内。“不被误导”的竞争最接近：测试样本较小的 Google Gemma 4 31B 在这里也得 78 分。
36 个模型中，有 26 个最弱的类别是计数。示意图类别对顶级模型最容易：最好的两个模型在这里分别得 98 和 96 分。
让我们意外的发现
最贵的模型并不是最好的。 Claude Fable 5.1 每 1000 次回答约花费 $88，在这 36 个模型中排名第九，与更便宜的 Claude Sonnet 5.5 相当，落后于完成同样工作只需 $6.52 的 Gemini 4 Argon。Claude Fable 5.2 每 1000 次回答 $53.10，并列第二。阅读详情。
领先者分不清真实照片和 AI 生成的照片。 在一项随机猜测能答对 50% 的测试中，GPT-6 Astra 只答对 57.5%。在较大样本上测试的 24 个模型中，只有 Gemini 4 Argon 表现明显出色，为 81%。阅读详情。
AI 已不再凭空捏造不存在的物体，但仍会被错觉迷惑。 在关于不存在物体的问题上，36 个模型中有 32 个得分在 85 或以上；在视觉错觉上，36 个模型中有 11 个得分不超过 3。阅读详情。
视频是领先者拉开差距的地方。 在我们的两项视频测试中，前两名模型得分为 99 和 98。两项都参加了的 34 个模型中，有 15 个得分低于 25。阅读详情。
中国模型进入前十，但大多数差距很大。 Kimi K3.1 Pro 和 Qwen3.8 Max 同为 70.6 分，处在并列第六到第九名的那一组。Qwen3.8 Max 每 1000 次回答 $27.40；Kimi K3.1 Pro 为 $71.79，在所有模型中排第二贵。其余九个中国厂商模型得分在 37.9 到 56.4 之间。美国厂商的 13 个模型中位数为 69.6；中国厂商的 11 个模型中位数为 43.2。
能在个人电脑上运行的模型差得很远。 我们本地运行的五个模型中，最好的得分为 29.5。阅读详情。
低价模型之间差距可达五倍。 每 1000 次回答不到 1 美元的模型，得分从 12.5 到 60.7 不等。阅读详情。
成本与得分
我们按标准价格报告每 1000 次回答的成本，一次回答指对一张图片或一段视频的一个问题。成本是模型所用 token（包括它自己的思考过程）的标价，对每个模型都一样，无论我们是通过 API 还是通过厂商的命令行工具调用它。
最划算的模型位于图表左上角。GPT-6.1 Sol 以 $7.94 得 81.3 分，Gemini 4 Argon 以 $6.52 得 77.2 分，GPT-6 Luna 以 $0.74 得 60.7 分。Qwen3.8 Max 的价格与 Claude Opus 5.5 相近（$27.40 对 $26.16），但得分是 70.6 对 76.5。在我们自己电脑上运行的模型每次回答不花钱，得分在 12 到 30 之间。
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。
如何理解得分
0 分表示不比瞎猜好，100 分表示每次都答对。我们要扣除猜测因素，因为各项测试不同：在是非题上，模型靠运气就能答对一半；而在“时钟显示几点？”这类题上，运气几乎没用。不做校正的话，两选一测试中的 75% 和自由作答测试中的 75% 看起来一样，但后者难得多。公式为（正确率 − 蒙对概率）÷（1 − 蒙对概率），结果不会低于 0。蒙对概率由每道题的选项数决定；时间、数字或编码这类自由作答题的蒙对概率为 0。凡是展示原始正确率的地方，我们都会注明。
每个得分都有误差范围，显示在排行榜上。一些模型只在每项测试均匀抽取的样本上运行。有 12 个模型的测试样本更小，所以它们的误差范围最宽。对微小的差距要谨慎解读，一分之差视为并列。
我们如何测试
大多数测试图片由脚本在 3D 渲染器或绘图程序中生成，答案已知，然后逐级加大难度。每项测试都有从易到难的难度等级。我们用同样的格式向每个模型提出同样的问题，并将回答与已知答案自动核对。我们审查了测试，剔除了答案可能有误的题目，因此不会有模型因有问题的题目而被扣分。真实的测试题目从不公开；本站上的任何图片都是另外制作的公开示例。有些模型每个问题只接受有限数量的图片，因此其中两个无法参加视频测试；它们的得分是其能参加的测试的平均值。完整方法见方法页面。
下一步
我们会在新模型发布时加入它们，并对抽样运行的模型补跑更多测试题，先从样本最小的 12 个模型开始，让它们的误差范围缩小。欢迎告诉我们接下来想看哪个模型或哪项能力。
测试时间为 2026 年 10 月 22 日至 11 月 10 日。每个模型各自的日期见排行榜。