当前,多模态理解模型能力持续迭代升级。为跟进代表性主流模型在中文场景下的综合性能发展,我们正式发布2026年11月SuperCLUE-VLM中文多模态视觉语言模型测评榜单。
    本次评测覆盖国内外15个代表性视觉语言大模型,后续将纳入更多新模型。以下为详细测评结果及分析。

SuperCLUE-VLM 是面向中文多模态视觉语言模型打造的综合测评基准,聚焦“模型能否真正看懂图像,并完成推理与应用任务”。基准覆盖基础认知能力、视觉推理能力和视觉应用能力三大维度,以及通用识别、信息解析、学科与应用推理、行业应用、智能交互和安全风控等场景,重点考察模型的视觉感知、信息理解、空间与逻辑推理、真实场景分析及任务执行等核心能力,为用户选择多模态视觉模型、行业评估模型视觉能力提供可靠参考。

官网地址:www.superclue.ai

「过往文章介绍」

1.【2026年9月多模态视觉语言测评文章】9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!

2.【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!


# 榜单概览



测评摘要

摘要1:Gemini 4 Argon总榜领跑,Kimi K3.1 Pro与Doubao并列国内第一
Gemini 4 Argon(89.02分)总榜第一且三大维度全部居首;国内方面,Kimi K3.1 Pro(79.89分)与Doubao-Seed-2.1-Pro-260915(79.48分)并列第一,与GPT-6.1 Sol(82.68分)分差收窄至3分左右。
摘要2:通用能力——信息解析头部集中,通用识别趋同且整体偏低
信息解析前6款模型均在91分以上,Gemini 4 Argon与Kimi K3.1 Pro均达99.05分,但腰部以下快速回落;通用识别除Gemini 4 Argon与Claude Opus 5.5(83.33分)外,其余模型均在75分及以下。

摘要3:场景应用能力——学科推理、安全风控趋于成熟,应用推理、行业应用与智能交互短板明显

学科推理全部15款模型均不低于91.67分,安全风控已有两款模型取得满分;应用推理最高分仅83.48分,行业应用最高仅73.33分,智能交互多数模型不超过66.67分。

# SuperCLUE-VLM测评体系
SuperCLUE-VLM 是一个专为中文多模态视觉语言模型设计的评测基准,旨在为中文多模态大模型领域提供全面且多维的视觉语言能力评估参考。详细的任务描述可以回顾:多模态视觉语言模型测评11月测评方案
# 测评方法
参考SuperCLUE细粒度评估方式,构建专用测评集,每个维度进行细粒度的评估并可以提供详细的反馈信息。
1.测评集构建
多模态视觉语言模型测评中文题库的构建流程如下:
 1.根据任务类型,搜集、整理并制作相关图片--->
 2.中文prompt撰写--->
 3.开展样例测试,收集反馈数据--->
 4.基于测试结果优化完善中文prompt--->

 5.系统化构建各维度专属评测集,形成完整测评题库。

2、测评集质量规范

测评集的题目与标准参考答案均由人工标注,并经过多轮交叉审核。审核过程中,结合模型试测结果,对表述歧义、图像与题意不匹配、参考答案错误或判定边界不清晰等问题进行记录、复核和修订;仅保留题意明确、参考答案一致且无争议的题目,无法消除歧义的题目不纳入正式测评集。
3.评分方法
本次评测以“回答准确性”为唯一评分指标。每道测试题均配备标准参考答案,针对不同任务类型设计差异化评分框架:
  • 对于常规图像理解、视觉推理和视觉应用任务,采用独立评价模型对待测模型回答与参考答案进行逐题比对。评价重点包括核心事实、关键对象、数量关系、空间关系、推理结论及任务要求是否一致。对于双轮对话任务,需两轮回答均满足要求,方可判定为正确;同义表达、语序调整或非关键表述差异不影响正确性判断。
  • 对于具身智能规划等需要输出结构化操作指令的任务,采用自动化规则进行校验。校验内容包括函数调用名称、调用顺序、参数结构及关键参数取值是否符合参考答案要求;涉及坐标或位置约束时,进一步判断模型输出是否满足参考答案设定的有效范围。
通过应用超级模型和函数校验相结合的评价方式,减少人为因素的干预,确保评分结果的客观性和一致性。

评估示例

【维度】:基础认知能力—通用识别
【测评任务】:3D物体识别
【问题】:「请问图中共有几个瑜伽球?」

【参考答案】:「3个」

【模型回答】:
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。

【模型裁判】
****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

为综合衡量当前国内外多模态视觉语言模型的发展水平,本次测评选取了5个海外模型和10个国内代表性模型,对应的使用方式和测评设置的推理等级(均选择模型允许的最高推理等级)如下:
# 测评结果
# 总榜
基础认知能力榜单
视觉推理能力榜单
视觉应用能力榜单

# 模型对比示例

#示例1 基础认知能力-信息解析-数量判断

【问题】:「图中共有几种颜色的葡萄?」


【参考答案】:「3种」

【Kimi K3.1 Pro回答情况】:正确
共有 3种 颜色的葡萄:紫黑色、红色和绿色。
【MiniCPM-V4.7-35B-A3B回答情况】:错误
为了解决这个问题,我们首先分析图中的葡萄:
识别葡萄:篮子里有深紫色(或黑色)的葡萄和绿色的葡萄。
计算颜色数量:深紫色和绿色是两种不同的颜色。
图中共有2种颜色的葡萄。

#示例2 视觉应用能力-智能交互-具身智能规划

【问题】:「请根据图片中的信息完成下面的任务。 你先把脏衣服放到单人沙发上,然后去有两个洗手池的卫生间泡澡,最后经过沙发和室外盆栽,到四人小桌边休息。(图中红色圆点代表你目前所在的位置,红色实线上绿色圆圈中的数字代表route_number,你必须按照红色实线一步一步前进,不可以跳步。) 你的回复必须严格遵循以下格式给出:【路线开始】```[route_number, route_number, route_number, route_number, ...]```【路线结束】,不应该包括任何其他文本。」

【参考答案】:「1, 3, 4, 8, 9, 10,  9, 8, 7, 4, 3, 2, 13, 15, 18, 19, 20, 22」

【Claude Opus 5.5回答情况】:正确
【路线开始】[1, 3, 4, 8, 9, 10, 9, 8, 7, 4, 3, 2, 13, 15, 18, 19, 20, 22]【路线结束】
【Grok 4.7回答情况】:错误
【路线开始】[1, 2, 13, 15, 13, 2, 3, 6, 3, 2, 13, 15, 18, 19, 20, 22]【路线结束】

#示例3 视觉推理能力-应用推理-逻辑推理

【问题】:「从所给的四个选项中,选择最合适的一个填入问号处,使之呈现一定的规律性。」

【参考答案】:「B」

【Gemini 4 Argon回答情况】:正确

这道题考查的是图形的总笔画数(或各组成部分的笔画数规律)。

我们可以通过“奇点数”来判断每个图形的笔画数(笔画数 = 奇点数 ÷ 2,若奇点数为0则为1笔画;多部分图形的总笔画数为各部分笔画数之和):

第一组图形:

图1、2、3都是3笔画图形


第二组图形:

  • 图1:由两部分组成。上方折线为 1 笔画,下方图形有4个奇点,为 2 笔画,共计 3 笔画。

  • 图2:由两部分组成。内部折线为 1 笔画,外部图形有4个奇点,为 2 笔画,共计 3 笔画。

由此可知,每幅图均由两部分组成,且一部分为 1笔画、另一部分为 2笔画,图形的总笔画数恒为 3笔画。

分析选项:

  • A项:上下两部分均为1笔画,共 2 笔画,排除;

  • B项:左边部分有4个奇点,为2笔画;右边折线为1笔画,共 3 笔画,符合规律;

  • C项:上下两部分各有4个奇点,均为2笔画,共 4 笔画,排除;

  • D项:左右两部分各有4个奇点,均为2笔画,共 4 笔画,排除。

故正确答案为 B。

【Step 5 Preview回答情况】:错误

答案:D

规律:每一组中,前两个图形叠加得到第三个图形。

左边第一组里,第3个图形正是第1个和第2个叠加组合而成;右边第二组同样遵循此规律,所以问号处应是第4个和第5个叠加后的图形。

对比四个选项,只有 D 符合这一叠加规律。


# 测评分析及结论

1. Gemini 4 Argon"全维度第一",Kimi与Doubao并列国内并列第一

本期总榜中,Gemini 4 Argon(89.02分)在基础认知(91.19分)、视觉推理(90.32分)、视觉应用(85.56分)三大维度上全部位居榜首,是唯一实现"全维度第一"的模型;Claude Opus 5.5(86.02分)列总榜第二,GPT-6.1 Sol(82.68分)居第三。国内方面,Kimi K3.1 Pro(79.89分)与Doubao-Seed-2.1-Pro-260915(79.48分)并列国内第一,与GPT-6.1 Sol的分差已收窄至3分左右。此外,本期总分超过75分的模型共6款,而榜尾模型与榜首分差超过30分,头部集团与尾部模型的能力落差依然显著。

 

2. 通用能力(基础认知):信息解析头部集中,通用识别趋同且整体偏低
基础认知维度下,信息解析头部高度集中:Gemini 4 Argon与Kimi K3.1 Pro双双取得99.05分,前6款模型均在91分以上,但腰部以下快速回落,HY4仅58.81分,头尾相差超过40分;通用识别则整体偏低且趋同,除Gemini 4 Argon与Claude Opus 5.5(83.33分)外,其余模型均在75分及以下。这说明各模型在"识别图中有什么"上差距有限,模型的差距存在于对图像信息的精细解析与准确抽取。
3. 场景应用能力:学科推理、安全风控趋于成熟,应用推理、行业应用与智能交互是主要短板
视觉推理维度下,学科推理全部15款模型不低于91.67分,Gemini 4 Argon与Claude Opus 5.5取得满分;但应用推理(逻辑、空间、时序推理)最高分仅83.48分,多数国内模型在44—66分之间,Claude Opus 5.5与Kimi K3.1 Pro较自身学科推理降幅均接近或超过30分。
视觉应用维度下,安全风控表现成熟,Gemini 4 Argon与Claude Opus 5.5双双取得满分,难以构成差异化竞争;行业应用最高仅73.33分,自动驾驶、工业应用、医疗影像等专业场景理解深度仍然有限;智能交互Gemini 4 Argon、Kimi K3.1 Pro等4款模型达83.33分、2款达77.78分,其余均不超过66.67分,头部与腰部断层明显。这表明当推理需要结合真实场景语境时,模型能力尚不能稳定迁移,场景应用能力仍需继续优化。

# 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