BenchLeader

多模态 AI 基准测试排行榜(2026年11月)

截至 2026年11月16日,BenchLeader 收录了来自 11 家发布方的 27 个多模态 AI 基准测试,其中 4 个计入 BenchLeader Index。在多模态基准测试中,Gemini 4 Carbon(Google)以 71.8 的多模态得分领先,其后为 Gemini 4 Argon(70.9)和 Claude Opus 5.5(70.2)。在权重最高的现役基准测试中,MMMU-Pro 由 Gemini 4 Carbon (medium)(89.3%)领先。在这 27 个基准测试中,14 个现役、7 个接近饱和、6 个已退役(已退役:一年内没有新结果)。

最后更新 · 每 6 小时重建一次 · 仅采用第三方发布方,不用发布文章中的数字

基准测试
27
现役
14
已饱和或接近饱和
7
发布方
11

其他类别:AI 智能体基准测试 · AI 编程基准测试 · 推理与数学基准测试 · 全部大模型基准测试

多模态基准测试领先模型

按 BenchLeader Index 的多模态类别排名:取下列计入 Index 的各项基准测试,标准化(50 代表平均水平的模型)后求平均。每个模型一行,取其表现最好的推理强度;模型需要在其中至少 1 项基准测试上有结果才会排名。

#模型提供商多模态得分Index混合 $/M
1Gemini 4 Carbon (medium)Google71.865.8$4.00
2Gemini 4 Argon (medium)Google70.961.6$4.00
3Claude Opus 5.5 (max)Anthropic70.268.4$8.00
4GPT-5.4 ProOpenAI69.863.1$67.50
5GPT-6 Astra (high)OpenAI68.966.3$20.00
6Claude Fable 5 (high)Anthropic68.063.9$20.00
7GPT-6.1 Sol (xhigh)OpenAI67.663.6$4.00
8Claude Fable 5.1 (max)Anthropic67.566.7$20.00
9Gemini 3.8 Flash (high)Google67.559.4$1.50
10GPT-5 ProOpenAI67.459.6$41.25

全部多模态基准测试:衡量内容与当前领先者(27 项)

多模态基准测试把图像、图表、文档、视频或音频与问题结合:大学水平的视觉推理(MMMU-Pro)、空间与视觉谜题、视频理解(Video-MME),以及针对图像提示词的竞技场投票。

适用于:文档与图表理解、截图、视觉功能和音频。

注意: 原版 MMMU 的很多题目仅凭文字就能答出;MMMU-Pro 去掉了这类题目并把选项增加到十个,因此应优先参考它。

基准测试衡量内容当前领先者状态模型最新结果
MMMU-Pro大学水平的多模态理解。由 Artificial Analysis 运行。Gemini 4 Carbon (medium) 89.3%接近饱和2962026年11月7日
Arena Vision对图像理解提示词进行两两投票。Claude Fable 5 (high) 1326现役由评审打分1602026年11月9日
VISTA视觉语言理解。Scale AI。Gemini 2.5 Pro 54.6%现役572026年3月23日
MortgageTax不计入 Index读取税务证明图片并提取其中的数字。由 Vals AI 运行。Claude Opus 5 72.1%现役942026年9月1日
MMMU-Pro (Vals)不计入 IndexVals AI 自行运行的 MMMU-Pro。由 Vals AI 运行。Claude Fable 5.1 (max) 90.6%接近饱和912026年9月1日
GeoBench不计入 Index识别照片的拍摄地点。Claude Fable 5 (high) 89.0%接近饱和442026年9月21日
Furniture Assembly不计入 Index看宜家家具的组装照片,判断是否装对、装错时指出是哪一步的空间推理任务。随机作答约得 30%。由 Epoch AI 运行。Claude Fable 5.2 (max) 90.0%接近饱和392026年11月10日
Blueprint-Bench 2不计入 Index把房间照片转成平面图。Gemini 4 Carbon 58.6%现役372026年11月10日
Humanity's Sixth Sense不计入 Index用 522 道图像和视频题测试直觉式视觉推理:人一眼就能看出的时间、空间、社交线索和隐藏规律。由 Scale AI 与 Elorian 制作。Gemini 4 Carbon (high) 71.1%现役342026年11月12日
LiveBench Design不计入 IndexLiveBench 2.0 设计套件。Claude Fable 5.2 (xhigh) 85.1%接近饱和342026年11月6日
AudioMC不计入 Index以音频提问并以音频作答的选择题。Scale AI。Gemini 3.8 Flash (high) 60.4%现役302026年10月16日
VPCT不计入 Index视觉物理理解:预测场景中接下来会发生什么。Gemini 3 Pro 91.0%接近饱和302025年12月17日
SAGE不计入 Index根据图片批改手写的数学作答。由 Vals AI 运行。Claude Opus 5.5 (max) 91.3%接近饱和292026年11月5日
Code2Video-AA不计入 IndexArtificial Analysis 运行的 HeyGen Code2Video Bench:根据 114 份设计需求用 HTML 制作简短的产品和品牌视频,两两对比评分,因此分数是 Elo。Claude Opus 5.5 (max) 1536现役282026年11月5日
AA-3D不计入 Index根据提示词构建交互式 3D 体验,两两对比评分,因此分数是 Elo 而不是百分比。Claude Fable 5.2 (max) 1271现役252026年11月9日
FACTS Multimodal不计入 Index需要把图片内容与常识结合起来作答的问题,按是否覆盖应有的事实以及是否正确评分。由 Google 发布。Gemini 4 Carbon 60.2%现役232026年11月12日
AudioMC (text output)不计入 Index以文字回答的 AudioMC。Scale AI。Gemini 3.8 Flash (high) 60.4%现役212026年10月16日
VIALS-AA不计入 IndexHandshake AI 的 VIALS:161 道关于凝胶印迹、显微图像、质粒图谱等生命科学图像的问题,在沙箱中借助代码和看图工具作答。由 Artificial Analysis 运行。Claude Fable 5.2 (max) 67.1%现役212026年11月9日
VTB不计入 IndexScale 覆盖各类实用图像任务的视觉任务基准测试。Scale AI。Muse Spark 1.1 44.8%现役212026年7月9日
VoiceCodeBench不计入 Index覆盖八个工作领域的语音实体识别。由 Vals AI 运行。GPT Live Transcribe 67.7%现役202026年9月24日
AudioMC (audio output)不计入 Index以语音回答的 AudioMC。Scale AI。GPT Realtime 2 (xhigh) 48.5%现役152026年5月11日
MMMU (validation)MMMU 验证集的官方排行榜。Claude 3.5 Sonnet 68.3%已退役存在污染风险32024年8月29日
Video-MME不计入 Index不带字幕、涵盖不同时长的视频理解。video-SALMONN 2+ 79.7%已退役422025年6月18日
ScienceQA不计入 Index带图表的科学题。2022 年的基准测试,对当前模型已饱和,保留作为历史记录。Phi 3.5 Vision 91.3%已退役存在污染风险232024年8月16日
MMMU-Pro (official)不计入 IndexMMMU-Pro 官方排行榜。仅作参考。GPT-4o 51.9%已退役92024年8月29日
SpatialViz-Bench不计入 Index空间可视化:旋转、折叠和动画。Gemini 2.5 Pro 44.7%已退役82025年6月17日
MindCube不计入 Index基于多个视角的空间推理。Gemma 3 12B 46.7%已退役52025年5月22日

多模态 AI 基准测试:常见问题

最有参考价值的多模态 AI 基准测试有哪些?
目前最有参考价值的多模态 AI 基准测试是 MMMU-Pro(领先者:Gemini 4 Carbon (medium),89.3%)、Arena Vision(领先者:Claude Fable 5 (high),1326)和 VISTA(领先者:Gemini 2.5 Pro,54.6%):它们都计入 BenchLeader Index,覆盖的模型多,而且尚未饱和。适用于:文档与图表理解、截图、视觉功能和音频。
哪个 AI 模型在多模态 AI 基准测试上表现最好?
截至 2026年11月16日:在多模态基准测试中,Gemini 4 Carbon(Google)以 71.8 的多模态得分领先,其后为 Gemini 4 Argon(70.9)和 Claude Opus 5.5(70.2)。类别得分先将每项基准测试标准化(50 代表平均水平的模型,15 分为一个标准差),再求平均,因此单项基准测试无法决定排名。
不同的多模态 AI 基准测试之间,分数可以相互比较吗?
同一基准测试内可以比较;跨基准测试就没那么可比了:图像、图表、文档和视频测试的输入和评分方式各不相同,一些较早的题集(最初的 MMMU)有部分题目只看文字就能答出。MMMU-Pro 去掉了这类题目,所以两个基准测试结论不一致时,请优先参考 MMMU-Pro。
哪些多模态 AI 基准测试已经饱和?
截至 2026年11月16日,MMMU-Pro(接近饱和)、MMMU-Pro(接近饱和)、GeoBench(接近饱和)、Furniture Assembly(接近饱和)、LiveBench Design(接近饱和)、VPCT(接近饱和)、SAGE(接近饱和)。第五名模型得分达到 90% 及以上时,该基准测试判定为“已饱和”;领先者达到 90% 或第五名达到 80% 时,判定为“接近饱和”。两者都根据数据判定,会随分数变化。
这个排行榜多久更新一次?
BenchLeader 每 6 小时(UTC 04:03、10:03、16:03、22:03 开始运行)重新读取每个发布方的结果,每次更新都会重建本页。各基准测试最新结果的日期见表格;各发布方按各自的时间表更新。

引用格式:BenchLeader,《多模态 AI 基准测试排行榜(2026年11月)》,数据截至 2026年11月16日,https://www.benchleader.com/zh/benchmarks/multimodal。