这周的多模态大模型圈子，热闹得有点过分，而且跑分一个比一个"敢写"。
8月20日，一个匿名模型 Ox Alpha 突然出现在 OpenRouter 上，104万 token 上下文、单次 13 万 token 输出、文本图片视频全模态。36氪微博网友给它起了个接地气的名字——“牛来”。有开发者抽了 10 个真实软件工程任务测它，通过率 80%，把 Fable 5 Max（65%）和 GPT-5.6 Sol Max（52%）都甩在身后。36氪
第二天，8月21日，DeepSeek 上线了自己首个多模态视觉模型 DeepSeek-V4-Flash-Vision-Exp，官方口径是"多模态 Agent 能力接近 Opus 4.8"，价格和纯文本版一分不加。知乎听起来是"神仙打架、白嫖狂欢"的一周。但把跑分和实测放在一起看，事情就有意思了。
跑分碾压，实测却在同一批细节上翻车
先看 Ox Alpha。跑分这边确实亮眼，但评测分裂也是真的：Abacus.AI 的 CEO Bindu Reddy 公开说，他们测下来这只达到较早一代模型的水平；沃顿教授 Ethan Mollick 的评价也是"惊艳程度一般"。微博社区倒是给它做了一场热闹的"亲子鉴定"——从 tokenizer 指纹、视频编码方式一路扒到 API 报错格式，最大嫌疑指向某家国产大厂，但至今没人正式认领。知乎身份先放一边，能力争议才是对我们更有用的部分。
DeepSeek Vision 也差不多。官方挑出来的那组基准确实能打：四个多模态 Agent 评测集跟 Opus 4.8 打得有来有回，两胜两负，最接近的一项只差 0.7 分。知乎DeepSWE 从 54.4 提到 59.3，纯文本能力基本没掉。知乎
但有位知乎开发者做了 9 个 case 的对照实测，画面就不一样了：迷宫路线推理，两边都答对了；截图复刻前端页面，Ox Alpha 完成度更高一些；可一到细粒度视觉题，集体露怯——“哪个动物看到了哪一面"的空间方位题，DeepSeek Vision 答错；给图片事件排时间顺序，答错；问"图上时钟几点”，DeepSeek Vision 答错，Ox Alpha 答对了但输出不稳定，得靠脚本校验才敢确认。知乎它也有高光时刻：认出了照片里的人物、读懂了论文插图、表格还原大体正确，只是边框细节有瑕疵。
数一数、看表、辨方向，这仨问题上，这波免费多模态模型集体翻车。这不是某一个模型的质量问题——是当前这一代多模态模型的普遍现状。
分数为什么虚高：顶会论文把机制讲透了
为什么跑分和实测差这么多？CVPR 2026 上恰好有一批论文专门研究"多模态评估虚高"，结论相当扎心。
第一，多选题本身会泄题。BAAI 的 ReVeL 研究把多选题改写成开放式问答再测，结果所有被测模型（包括 GPT-5）在开放式题目上的成绩比多选题低 6 到 19.8 个百分点，也就是说，多选基准的分数最高能有 20% 的"膨胀"——模型可能根本没看懂图，只是靠排除法猜对了选项。知乎
第二，同样的内容，换个模态问，答案就不一样。阿姆斯特丹大学的 REST 框架把同一道题用纯图像、纯文本、图文混合三种方式呈现，测了 15 个主流模型，没有一个能做到答案完全一致。知乎而且这不是识别问题：就算文字识别全对，推理结果照样不同，“认得出字"和"看得懂图”，在模型内部根本是两回事。
第三，视觉幻觉有结构性成因：视觉信号在多层编码后逐层衰减，而模型又被训练成倾向于生成流畅文本，于是会顺着语言习惯"编"出图里没有的细节。
三条叠在一起就明白了：跑分题大多是选择题、大多偏文本化信息，很少考像素级的精细分析——数数、表针位置、遮挡关系。而真实使用场景里，这些恰恰是你最常碰到的。分数和实测之间的落差，不是模型"故意放水"，是尺子本来就只量了一部分能力。
一张实用的"跑分打折表"
基于目前这些证据，整理一份简单参照，选模型、看新闻都用得上。
这些分数，至少打八折再看：单一选择题基准的总分；小样本测试成绩（比如 Ox Alpha 那个 80%，一共只测了 10 个任务）；自报家门式的"碾压""吊打"结论——厂商挑的基准，往往是它考得最好的那几门。
这些参考，相对靠谱：同条件下多 case 的对照实测；细粒度任务的错误率统计；同一内容换模态的一致性测试。
至于"现在的免费多模态到底能干什么"，按目前的实测证据，大致分两档：
放心用的：大字文本识别和截图信息提取、表格识别还原（边框细节偶有瑕疵）、图表趋势判读、按截图复刻前端页面、论文插图和照片内容描述。
先别指望的：精确计数（图里几辆车几个人）、时钟仪表精确读数、细粒度空间推理（谁在左谁被挡住）、图片事件时间排序、小目标识别。
想自己上手，先带三个测试题
Ox Alpha 目前可以在 OpenRouter、OpenCode 免费调用（匿名期限时）；DeepSeek Vision 的 API 与纯文本版同价，单张图最多只折算 384 个 token，高峰时段理解一张图的成本不到 1 厘 2。知乎具体接入方法站内外已经有不少教程，这里给个更实用的：三道试金石。以后试任何多模态模型，先甩这三张图——
找一张指针式时钟照片，问"现在几点"；
找一张人流密集或车流密集的街景，问"图中能明确看到的车/人有几个"；
找一道正方体展开图选择题，让它选答案并说理由。
三题全对，这个模型的视觉感知已经走在当前平均水平前面；错一两道也别急着骂垃圾——这正是全行业目前集体翻车的地方。真正该盯的，是你自己要用它干的那个场景：拿文档识别就喂它你的文档，拿图表分析就喂它你的图表，比任何跑分都准。
最后说几个值得继续盯的信号：Ox Alpha 什么时候揭面——按 OpenRouter 匿名模型的惯例，匿名期结束后总会有人出来认领，此前 Pony Alpha、Kivine 都有过类似剧本，也有爆料称 8 月 28 日某家厂商新模型开源，谜底可能随之揭晓。微博另外值得盯的是 DeepSeek Vision 什么时候从 Exp 转正、1.6T 参数的 Pro 版何时补上视觉，以及会不会有更多厂商跟进"开眼不涨价"——视觉理解正在从增值功能变成大模型的默认配置。
一句话收尾：多模态这事，“看得见"和"看得清"是两回事。跑分告诉你前者，实测才告诉你后者。在免费模型遍地开花的当下，先把跑分学会打折——以后无论再来一头什么"牛”，你都带不动。
