8月多模态视觉测评榜单出炉:Qwen3.8-max问鼎国内榜首,GPT-6-Astra总榜领先!
- 更新时间 2026-09-19 09:22:38
「过往文章介绍」
1.【2026年6月多模态视觉语言测评文章】6月多模态视觉测评榜单出炉：Qwen3.7-Plus问鼎国内榜首，Gemini 3.1保持总榜领先！
2.【2026年4月多模态视觉语言测评文章】4月多模态视觉测评榜单出炉：Doubao-Seed-2.0问鼎榜首，国内模型大放异彩！
多模态视觉语言模型测评摘要
摘要3：子榜格局分化，视觉应用成“分水岭”，智能交互成最突出短板！
基础认知与视觉推理榜单榜首模型均已接近或超过85分，而视觉应用能力榜单最高仅76.58分（Gemini-3.8-Flash），整体明显弱于前两个维度；进一步下钻子任务，安全风控子任务表现成熟（多家100分），行业应用多数模型得分在60—75分之间，而智能交互子任务各模型得分普遍低于70分，面向真实业务场景的交互与落地能力，是各模型下一步重点突破的方向。
榜单地址：www.superclueai.com
5.系统化构建各维度专属评测集，形成完整测评题库。
对于绝大多数通用任务，所有测试用例均配备标准参考答案，通过模型输出与参考答案的一致性判定回答正确性；
针对代码生成任务，仅凭图片解析难以得出唯一最优解（如CSS样式、排版格式无统一标准），采用自动化评价流程：满足任务核心需求、逻辑自洽的生成结果判定为正确，错误率较高、存在严重逻辑缺陷或不满足任务要求的结果判定为错误。
评估示例
【参考答案】：「3个」
图里真实存在的瑜伽球共有3个：1个粉色、1个黄色、1个蓝色，剩余的1个黄色、1个蓝色，是右侧墙面镜子反射形成的虚像，不属于真实存在的球。答案：3个。
****评价开始**** 1. **模型回答的核心内容分析**：
模型明确回答图中共有3个真实的瑜伽球，并详细解释了颜色的分布（粉、黄、蓝各一个）。同时，模型展现了对图像场景的深度理解，指出画面中另外出现的球体是镜面反射形成的虚像，不应计入总数。
2. **参考答案的核心内容分析**：
参考答案给出的核心数值为“3个”。
3. **模型回答与参考答案的详细对比**：
- **核心结论一致性**：模型给出的最终数量“3个”与参考答案完全一致。
- **关键信息点**：模型不仅提供了正确答案，还通过逻辑推理（区分实物与镜面虚像）解释了得出该答案的原因。这种解释增强了回答的准确性，并未改变或偏离参考答案的核心语义。
- **表述差异**：模型回答包含了详细的推理过程，而参考答案仅提供了精简的数值。根据评估要求第3点，这种表述形式的差异（详细描述 vs 简洁数值）不影响核心事实的认定。
4. **最终判定及理由**：
[[回答正确]]
理由：模型给出的核心答案（3个）与参考答案完全一致。模型通过识别镜面反射准确判断了物体的真实数量，其提供的额外解释信息支持了核心结论的正确性，没有事实性错误。
****评价结束****
# 参评模型
# 模型对比示例
#示例1 基础认知能力-信息解析-特征定位
【问题】：「如图所示为堆叠的方块，规定三维坐标系为X左右方向，Y向上正方向、向下负方向，Z前后方向。如果A方块坐标为（-4，-2，3），C方块坐标为（-2，-2，1），那么B方块坐标是什么？（以相同的格式回答）」
【参考答案】：「（-2， 0， 3）」
（-2，0，3）通过分析 A 方块和 C 方块的坐标，以及两者在网格中的相对位置，可以确定 B 方块的坐标。1. 确定 X 轴和 Z 轴坐标
C 方块的坐标为 （-2，-2，1）。
A 方块的坐标为 （-4，-2，3）。
根据 A、C 两个方块在网格中的相对位置，可以判断：B 方块所在的立柱位于 C 方块的正后方，并且与 C 方块处于同一条 X 轴直线上。
因此，B 方块底部支撑方块的：
X 坐标与 C 方块相同，即 X = -2；
Z 坐标比 C 方块向后移动 2 个单位，即从 Z = 1 移动到 Z = 3。
所以，B 方块的 X、Z 坐标分别为 -2 和 3。
2. 确定 Y 轴坐标
C 方块位于地面层，Y 坐标为 -2。
B 方块位于地面上方一层，并且 Y 轴正方向表示向上。
每向上一层，Y 坐标增加 1，因此：
Y = − 2 + 1 = − 1 3. 得出 B 方块坐标
综合 X、Y、Z 三个方向的坐标变化，可以确定：
B = ( − 2 , − 1 , 3 ) 因此，B 方块的坐标为（-2，-1，3）。
#示例2 视觉推理能力-应用推理-时序推理
【问题】：「请将图中 "拉狗狗滑旱冰" 的故事按正确时间顺序从左到右排序。(数字标识，用,分割)」
【参考答案】：「5,4,2,6,1,3」
正确的时间顺序为：5, 4, 2, 6, 1, 3
故事逻辑如下：
5：男孩在家看电视里的滑水表演，由此产生灵感。
4：男孩在家里穿好旱冰鞋，准备让狗狗拉着自己滑。
2：男孩在公园里让狗狗拉着滑旱冰，玩得很开心。
6：狗狗突然发现前面有一只黑猫，猛地向前冲去追猫。
1：男孩失去平衡，被突然加速的狗狗拽得踉跄摔倒。
3：男孩摔在地上，身上弄脏受了伤，狗狗坐在旁边看着他。
观察各图内容：图5：男孩在看电视，狗趴在一旁睡觉——故事的开头。
图4：男孩坐在凳子上穿旱冰鞋，准备出门。
图2：男孩穿着旱冰鞋，牵着狗在路上正常滑行。
图1：狗突然向前冲（追猫），男孩被猛地一拉，身体前倾、站立不稳。
图6：男孩被狗拖着走，画面中只剩下一只拉绳子的手，说明他已摔倒被拖行。
图3：狗停下来，男孩坐在地上，狗坐在他旁边——故事的结尾。
归纳顺序： 先在家看电视（5）→ 穿旱冰鞋（4）→ 出门牵狗滑旱冰（2）→ 狗突然奔跑，男孩被拉得失去平衡（1）→ 男孩摔倒被拖行（6）→ 狗停下，男孩坐在地上（3）。
因此，答案是5,4,2,1,6,3。
#示例3视觉应用能力-智能交互-图形界面理解
【问题】：「首先点一份泡椒鹌鹑蛋，然后再点一份面食，最后再结算，需要按顺序点击哪些控件来进行？（结果返回序号即可，用“、”隔开）」
【参考答案】：「3、2、10」
按顺序需要点击的控件序号为：3、2、10
3、2、3、10
1. GPT-6-Astra问鼎总榜，Qwen3.8-max-0902引领国产模型。
基础认知能力子榜，GPT-6-Astra（89.29分）领跑，国内Qwen3.8-max-0902（81.75分）与Doubao-Seed-2.1-Pro（80.95分）并列国内第一；视觉推理能力子榜，GPT-6-Astra（88.98分）第一，Anthropic的Claude Fable 5.1（83.04分）、Google的Gemini-3.8-Flash（82.31分）紧随其后，国内Qwen3.8-max-0902（79.23分）、Kimi-K3（78.28分）跻身总榜前五。而在视觉应用能力子榜，头名Gemini-3.8-Flash（76.58分）也仅处于70分段，国内Doubao-Seed-2.1-Pro（69.90分）位居国内第一。视觉应用能力整体弱于前两个维度，正成为头部模型拉开差距的关键战场。
本次参测的10款国内模型中，7款为开源模型。月之暗面的Kimi-K3以开源身份拿下73.80分，与闭源的Doubao-Seed-2.1-Pro并列国内第二，其视觉推理能力（78.28分）位居国内前二；智谱AI的GLM-5.3-flash（69.94分）位居国内第三；阶跃星辰Step 3.7 Flash（60.41分）、深度求索DeepSeek-V4.1-Flash（56.49分）、小米MiMo-V2.5（55.57分）等开源模型亦全部进入国内榜单前列。国产开源多模态模型已具备与闭源模型正面竞争的实力。
# 加入社群
扩展阅读
[1] CLUE官网：www.CLUEBenchmarks.com
[2] SuperCLUE排行榜网站：www.superclueai.com
[3] Github地址：https://github.com/CLUEbenchmark
