“AI 能做这份工作吗？”要看是什么工作。我们按两个指标给 29 项测试排了序：24 个模型中的最高分，以及有多少个模型得分达到 90 或以上（满分 100）。我们把 90 分当作“可以依赖它，抽查即可”的粗略门槛。你自己的门槛可能更高。
本页涵盖在较大样本上测试的 24 个模型；全部 36 个见排行榜。
4 个以上模型达到 90+没有模型达到 80
条形是该测试中所有模型的最高分（满分 100）。第二个数字是得分在 90 以上的模型数量。
已经可用，选择很多
在下面四项测试上，有九个或更多模型得分达到 90 或以上，所以你可以按价格挑：
| 工作 | 达到 90 分的模型数 | 其中最便宜的 |
|---|---|---|
| 不存在的物体 | 15 | Perceptron Mk1.5，$0.20 |
| 说出“无法判断” | 13 | GPT-6 Luna，$0.74 |
| 能停哪个车位 | 11 | GPT-6 Luna，$0.74 |
| 发票核对 | 10 | GPT-6 Luna，$0.74 |
也就是每次回答不到十分之一美分。对于“图里有没有……？”这类问题，在你自己电脑上运行的小模型 Qwen3-VL-8B 也能得 90 分。
已经可用，但只限顶级模型
在下面这些测试上，有三到七个模型得分达到 90 或以上，其余模型远远落后，所以选哪个模型很重要。达到 90 分的模型中最便宜的是 Gemini 4 Argon 或 GPT-6.1 Sol，每1000次回答约 $7 到 $8：
| 工作 | 达到 90 分的模型数 | 其中最便宜的 |
|---|---|---|
| 缺失尺寸（推算图纸上缺的尺寸） | 7 | Gemini 4 Argon，$6.52 |
| 追踪管道（在示意图里顺着管道走） | 5 | Gemini 4 Argon，$6.52 |
| 读仪表（仪表或指针表盘） | 5 | Gemini 4 Argon，$6.52 |
| 货架对照陈列图 | 5 | Gemini 4 Argon，$6.52 |
| 读时钟（指针式时钟，精确到分钟） | 5 | Gemini 4 Argon，$6.52 |
| 传送带计数（视频） | 4 | GPT-6.1 Sol，$7.94 |
| 追踪藏起的物体（视频） | 4 | GPT-6.1 Sol，$7.94 |
| 追踪线缆（在一团线里顺着一根线找到终点） | 3 | GPT-6.1 Sol，$7.94 |
Claude Fable 5.2 是唯一在这八项上都达到 90 分的模型，但它每1000次回答要 $53.10，从来不是最便宜的。在其中大多数测试上，中位数模型的得分低得多，用便宜的模型就是在赌运气。
还不能用
在下面五项测试上，没有一个模型达到 80 分：
| 工作 | 最佳模型 | 最高分 | 中位数模型 |
|---|---|---|---|
| 试纸条 | Claude Fable 5.2 | 77.5 | 49.6 |
| 相同还是镜像 | GPT-6 Astra、Claude Fable 5.2 | 75.0 | 2.4 |
| 渲染故障 | Gemini 4 Argon | 73.3 | 32.9 |
| 真实还是AI生成 | Gemini 4 Argon | 61.3 | 22.7 |
| 物体计数 | GPT-6 Astra、Claude Fable 5.2 | 52.5 | 27.2 |
在杂乱场景里数物体是最明显的例子：AI 数小数目数得不错，过了 20 就数乱了。区分 AI 生成的图片和真实照片是另一个例子：只有一个模型明显比抛硬币强。
这意味着什么
答案就在画面里、只需回答是或否的检查，比如“它在不在？”“看得出来吗？”“这张发票的数对得上吗？”，已经接近解决，而且便宜。需要精细视觉判断的工作，比如很淡的线、镜像、细小的渲染错误，或在杂乱中精确计数，还没有解决，应该由人来核对。介于两者之间的，就花钱用顶级模型，并用你自己的图片测试。
测试方法
每项测试只问一类问题，唯一确切的答案内置在图片中，难度从易到难分级。答案自动评分并已扣除猜测因素，因此 0 分代表纯靠猜，100 分代表全对。“最高分”是所有模型在该项测试上的最高得分。一些模型，包括最贵的几个，只在每项测试均匀抽取的样本上运行，所以它们的单项得分误差范围更宽。这些图片和问题从不公开。
测试时间为 2026 年 10 月 22 日至 11 月 10 日（本页的 24 个模型）。每个模型的日期见排行榜。