LLM 视觉能力排行：多模态模型该选谁

LMArena Vision Arena · Top 10

来源：arena.ai， 抓取于 2026-07-11。Vision Arena 让真人对两个匿名模型发同一张图片+问题， 按 Elo 评分系统排名。分数越高 = 人类越觉得它的"看图回答"更好。

Claude 占据前 3 和第 5，5 席入榜。 Opus 4.7 thinking（1305）、Opus 4.7（1301）、Opus 4.6 thinking（1300）形成第一梯队， 彼此差距在 5 分以内。第 4 名 Meta muse-spark（1298）是唯一能插进 Claude 包围圈的对手。

GPT-5.5（1285）和 Gemini 3 Pro（1289）位列第 8/9，但路径不同。 GPT-5.5 的 AA Intelligence 全球第三（55），说明它的"看图"能力建立在极强的通用推理上； Gemini 3 Pro 的 Intelligence 数据未单独收录（AA 录的是 3.1 Pro Preview）， 但 Google 本身就是视觉 AI 的老牌玩家，多模态架构可能有独特优势。

Gemini 3.1 Pro Preview 只排第 10（1277），比 3 Pro 还低 11 分。 这是榜单上最让人意外的结果——新版反而不如旧版？ 可能 3.1 Pro 的优化重心在文本/推理上，视觉模块没有同步升级； 也可能是 LMArena 的 Vision 测试集对 3.1 Pro 的特定架构不友好。

同家族最高 Vision 分（去重后）

同一个模型的"thinking"和非 thinking 版本同时上榜时，取最高分代表该家族。 这样更清楚各厂商的"视觉天花板"在哪。

去重后 Top 5 格局更清晰：Claude Opus 4.7 系列第一（1305），Meta muse-spark 第二（1298），Claude Opus 4.6 系列第三（1300），GPT-5.5 第四（1288），Gemini 3 Pro 第五（1288）。 如果把"thinking"算作同一产品的不同模式，那么国际三强（Anthropic / OpenAI / Google）+ Meta 的格局就一目了然了。

Vision Elo 与 AA Intelligence 交叉："看图"和"做题"是一回事吗

AA Intelligence Index 测的是纯文本推理（GPQA、HLE、MMLU-Pro），和视觉理解没有直接关系。 但两者都依赖底层推理能力，所以有一定相关性。下面看哪些模型"偏科"。

GPT-5.5 是典型的"做题强、看图相对弱"。 AA Intelligence 全球第 3（55），但 Vision 只排第 9。差距说明 OpenAI 的强项在文本推理链， 视觉模态的融合可能不如 Claude 做得深。当然 1285 仍然是很高的分数，只是相对它的文本能力略低。

Claude Opus 4.7 是"双高"——做题第 4、看图第 2-4 名。 Intelligence 54，Vision 1308（thinking 模式）/1298（普通模式）紧随 Claude Fable 5（1311）。 Anthropic 在"如何把推理能力迁移到视觉模态"上可能找到了更好的架构方案。

Gemini 3.1 Pro Preview 反向偏科——文本第 8、视觉榜外。 Intelligence 46 排第 8，但 Vision 没进 Top 10。 这验证了前面的猜测：3.1 系列可能在视觉模块上做了减法，或者测试集不兼容。

视觉性价比（Vision Elo / 输出价格）

用 LMArena Vision Elo 分数除以每百万 token 输出价格，得到"每花一美元能买到多少视觉理解能力"。 这个指标很粗糙（Vision Elo 不是线性量表），但做批量图像任务时仍有参考价值。

GPT-5.4 Nano 的 Vision/$ 是 1023.2，全场最高。 输出价只有 $1.25/M，Vision Elo 1279 却排到第 9。 做大批量图像标注、批量 OCR、批量商品图分类时，Nano 可能是被忽视的选择。

Gemini 3.1 Pro Preview 的 Vision/$ 只有 106.4，性价比垫底。 $12/M 的输出价配上 1277 的 Vision 分，让它在这个指标上远不如 Claude Sonnet 4.6（Vision/$ 101.6，但绝对能力高得多）。 如果视觉任务是核心需求，Gemini 3.1 Pro 的定价需要认真考虑 ROI。

按场景选：5 个多模态任务组合

看完榜单，这些坑别踩

1. Vision Elo 测的是"人类觉得好不好"，不是"认没认错"

LMArena 的打分标准是"回答质量"，不是"准确率"。一个模型可能回答很流畅、格式很漂亮， 但实际上把图中的数字看错了。如果你做医疗、金融、工业质检这类"容错极低"的场景， 不能只看 Elo，必须跑自己的测试集验证准确率。

2. "支持多模态"不等于"视觉理解强"

很多模型号称"支持图片输入"，但实际只是做了简单的 OCR + 文本描述拼接。 LMArena Vision Top 10 之外，大量模型的视觉能力可能只是"能读图里的文字"。 如果你需要理解图表关系、空间布局、颜色语义，一定要选 Top 5 级别的模型。

3. 图片分辨率/token 消耗是隐藏成本

视觉模型的输入价格通常按"图片被切成多少 token"算。一张 4K 截图可能被切成 2000+ token， 相当于几千字文本的输入成本。Claude Opus 4.7 的输入 $5/M、输出 $25/M， 如果每次发 10 张高清图，token 消耗可能比文本对话贵 10 倍。 算成本时要按"张数 × 平均每张 token"估算，不能只看文本价格。

4. 国内厂商的视觉能力数据是盲区

本页 Top 10 全是海外模型。Kimi、DeepSeek、Qwen、GLM 等都有视觉版本， 但它们要么没参加 LMArena Vision，要么没进前 10。 这不代表国内模型视觉弱—— 可能是评测语言以英文为主、测试集偏海外场景、或者厂商没主动投稿。 中文视觉任务（比如看中文菜单、看国内发票、看中文 UI）建议直接拿真实场景测试，不要照搬国际榜。

5. "Thinking"模式贵且慢，不一定值得为视觉开

Claude Opus 4.7 thinking 的 Vision 比非 thinking 高 4 分， 但 thinking 模式的 token 消耗通常是普通模式的 2-3 倍（中间推理链也要算钱）， 延迟也明显更长。如果任务只是"看图写一句话描述"，开 thinking 是浪费； 如果是"看图做复杂分析推理"，这 4 分可能值回票价。按任务复杂度选模式，别一刀切。

方法学说明 / 这份榜不能告诉你的事

• 只有一份视觉数据源。本页所有视觉排名都来自 LMArena Vision Arena，没有第二个独立视觉基准做交叉验证。AA 和 SuperCLUE 目前都没有专门的视觉/多模态评测维度。
• LMArena Vision 的测试集未公开。人类偏好打分可能偏向"回答长、格式好、语气礼貌"的模型，不一定反映真实视觉理解精度。
• Vision Elo 不是线性量表。1305 和 1301 的差距（4 分）与 1301 和 1298 的差距（3 分）不代表能力差异相同。Elo 的分数差对应的是胜率，不是能力绝对值。
• 部分模型匹配是近似。LMArena 的模型名和 AA 的模型名不完全一致（如 LMArena 有"gpt-5.5-high"，AA 只有"GPT-5.5"），交叉分析时按家族近似匹配。
• 数据 2026-07-11 抓取。视觉能力迭代很快，新模型发布频繁，本页跟着 LMArena 每月更新。

想接下来做什么

1. 看完视觉榜，跳到 编程能力排行 把"看图写代码"的能力也叠加比较。
2. 如果你的任务涉及 Agent 编排，去 Agent 能力排行 看多步骤任务的表现。
3. 查 模型详情库 看每个模型的多源数据聚合。
4. 拿你的真实场景图跑 20 个测试 case——榜单只能帮你缩小范围，最终选型要靠实测。