Kimi开源PerceptionBench视觉感知基准，GPT-5.6-Sol准确率居首但无模型突破60%
摘要
PANews 7月29日消息，Kimi宣布开源多模态大模型视觉感知评测基准PerceptionBench，旨在将视觉感知能力拆解为10项原子级能力进行独立评估，涵盖视觉关系、计数、属性、深度与3D、定位、比较、细粒度识别、上下文整合...
PANews 7月29日消息，Kimi宣布开源多模态大模型视觉感知评测基准PerceptionBench，旨在将视觉感知能力拆解为10项原子级能力进行独立评估，涵盖视觉关系、计数、属性、深度与3D、定位、比较、细粒度识别、上下文整合、OCR及幻觉识别等维度。该基准基于42个现有评测集中的模型失败案例构建，共包含3000道经人工验证的问题，每题仅考察单一视觉能力，无需推理或外部知识。
评测结果显示，在16款前沿多模态大模型中，没有任何模型整体准确率超过60%。GPT-5.6-Sol以59.7%的准确率排名第一，Kimi K3（58.5%）、Claude-Fable-5（57.2%）、Gemini-3.1-Pro（56.2%）和GPT-5.5（55.8%）位列前五。报告指出，视觉幻觉（Hallucination）仍是各模型表现最弱的能力，整体感知能力仍存在显著提升空间。
评论 (5)
这基准挺有想法，把能力拆分评估，但模型整体准确率都不咋高，提升空间太大了
都前沿模型了，准确率还这么低，这视觉感知技术路还长着呢
新基准不错，不过模型效果这么一般，后续研发得加油了
视觉幻觉是短板啊，这得想办法解决，不然模型都没法好好用
GPT - 5.6 - Sol第一也没过60%，看来视觉感知这一块离理想状态还差得远呢