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 |
|---|---|---|---|---|---|
| 1 | Gemini 4 Carbon (medium) | 71.8 | 65.8 | $4.00 | |
| 2 | Gemini 4 Argon (medium) | 70.9 | 61.6 | $4.00 | |
| 3 | Claude Opus 5.5 (max) | Anthropic | 70.2 | 68.4 | $8.00 |
| 4 | GPT-5.4 Pro | OpenAI | 69.8 | 63.1 | $67.50 |
| 5 | GPT-6 Astra (high) | OpenAI | 68.9 | 66.3 | $20.00 |
| 6 | Claude Fable 5 (high) | Anthropic | 68.0 | 63.9 | $20.00 |
| 7 | GPT-6.1 Sol (xhigh) | OpenAI | 67.6 | 63.6 | $4.00 |
| 8 | Claude Fable 5.1 (max) | Anthropic | 67.5 | 66.7 | $20.00 |
| 9 | Gemini 3.8 Flash (high) | 67.5 | 59.4 | $1.50 | |
| 10 | GPT-5 Pro | OpenAI | 67.4 | 59.6 | $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 | 296 | 2026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 | 160 | 2026年11月9日 |
| VISTA | 视觉语言理解。Scale AI。 | Gemini 2.5 Pro 54.6% | 现役 | 57 | 2026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 | 94 | 2026年9月1日 |
| MMMU-Pro (Vals)不计入 Index | Vals AI 自行运行的 MMMU-Pro。由 Vals AI 运行。 | Claude Fable 5.1 (max) 90.6% | 接近饱和 | 91 | 2026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 | 44 | 2026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 | 39 | 2026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 | 37 | 2026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 | 34 | 2026年11月12日 |
| LiveBench Design不计入 Index | LiveBench 2.0 设计套件。 | Claude Fable 5.2 (xhigh) 85.1% | 接近饱和 | 34 | 2026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 | 30 | 2026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 | 30 | 2025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 | 29 | 2026年11月5日 |
| Code2Video-AA不计入 Index | Artificial 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 | 28 | 2026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 | 25 | 2026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 | 23 | 2026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 | 21 | 2026年10月16日 |
| VIALS-AA不计入 Index | Handshake 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 | 21 | 2026年11月9日 |
| VTB不计入 Index | Scale 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 | 21 | 2026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 | 20 | 2026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 | 15 | 2026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 | 3 | 2024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 | 42 | 2025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 | 23 | 2024年8月16日 |
| MMMU-Pro (official)不计入 Index | MMMU-Pro 官方排行榜。仅作参考。 | GPT-4o 51.9% | 已退役 | 9 | 2024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 | 8 | 2025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 | 5 | 2025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。
相关页面
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。