视觉多模态模型排行榜

视觉多模态榜基于双盲对比投票，评测模型对图片、图表等视觉输入的理解与推理能力，具体场景包括图像描述、图表解读、文字识别（OCR）、看图辅导作业、看图创作，乃至识别图片中的幽默元素等。用户在不知晓模型身份的情况下对两份回答投票，得分经 Bradley-Terry 模型换算，越高代表模型在真实视觉理解场景下越受认可。