主流大模型能力边界半测评：读图、看懂与画图是三件事
OCR 式读图、原生多模态、图像生成是三种能力——各家模型到哪一层，横向半测评。
截至 2026-08（核验 2026-08-21）· 本文随官方口径定期更新 · 配套正文：免8《它不止会写字》
导读
"我该用哪家看图？要生成图像又该用谁？"——回答前先拆问题：能不能读图、怎么读图、能不能出图，是三个独立的能力维度，一家强不代表三家都强。本文按 2026-08 口径给出主流模型分型表和第三方榜单证据：看图选原生多模态阵营，出图走 GPT Image / Gemini / 豆包系；选型时按需求分维度核对，别按品牌一站配齐。
三分型框架：读得进 ≠ 看得见 ≠ 画得出
配套正文免8《它不止会写字》讲了"模态 = 信息的形态"；这一篇把"多模态"继续拆成三个维度，避免混为一谈（框架取自素材5）：
- 能不能读图（图像理解输入）：模型能否直接接收图像并理解内容。这是"能不能进门"的问题。
- 读图方式：进门之后，是真看见还是猜着看：
- 原生多模态（真看见）：视觉编码器把图像转成视觉 token，与文字 token 在同一模型内联合处理，能感知形态、颜色、布局、空间关系；
- OCR式读图（先转文字）：模型本身是纯文本模型，图片先由外挂 OCR/视觉组件转成文字描述再喂给模型，实际"看到的"只有文字——颜色、布局、图表形态等视觉信息大量丢失。类比：只听过别人转述一张统计图的人，永远说不出柱子的高矮。
- 即便是原生多模态，也呼应免8的提醒："看图也会猜"——图里模糊的数值、没画出来的细节，模型可能按"最合理的样子"补出来，关键数据仍要人对着原图核对。
- 能不能生成图像（图像生成输出）：与图像理解是两条独立技术线，能看懂图不等于会画图。
各家分型表（2026-08 口径）
| 厂商/模型 | 图像理解 | 读图方式 | 图像生成 | 备注 |
|---|---|---|---|---|
| OpenAI GPT-4o / GPT-5 系列 | 支持 | 原生多模态 | 支持（Responses API 的 image_generation 工具，底层 gpt-image 系列） | 官方 vision 文档确认输入格式为 PNG/JPEG/WEBP/非动图 GIF，暂不支持视频输入 |
| Anthropic Claude | 支持 | 原生多模态 | 不支持 | Claude 官方无图像生成模型，需搭配第三方图像工具 |
| Google Gemini 系列 | 支持（含视频、音频） | 原生多模态 | 支持（Gemini 2.5 Flash Image / "nano banana"，及 Imagen 系列） | 2.5 Flash Image 主打角色一致性、对话式修图 |
| DeepSeek | 2026 年起支持（识图模式 + deepseek-v4-flash-vision-exp 实验模型） | V3/R1 时代为纯文本，读图需外挂 OCR；2026-05 起官方开放识图模式 | 见未核实注记 | 主模型此前是"OCR式读图"的典型代表 |
| 阿里 Qwen（Qwen-VL / Qwen3-VL） | 支持 | 原生多模态（视觉语言模型，已开源） | 见未核实注记（图像生成由通义万相等其他产品线承担） | Qwen3-VL 宣称 OCR 支持 32 种语言、原生 256K 上下文 |
| 智谱 GLM-4.5V / GLM-5V 系列 | 支持 | 原生多模态，主打"类人视觉阅读"与 GUI Agent | 见未核实注记 | 2026-04 发布 GLM-5V-Turbo（原生多模态 Coding 基座，经搜索摘要） |
| 月之暗面 Kimi | 支持 | Kimi-VL 开源（MoE 视觉语言模型）；K2.5/K3 走原生多模态架构（文/图/音/视频统一） | 见未核实注记 | 原生多模态说法主要来自第三方/社区口径 |
| 字节豆包 Doubao-Seed | 支持 | Doubao-Seed-2.0-Lite 为"全模态理解"（视频/图像/音频/文本原生统一） | 支持（视频生成 Seedance 系列、即梦等） | 2026-06 发布 Seedance 2.5（经搜索摘要） |
未核实注记（素材5 中标"未核实"，本文不当事实使用，引用前必须复核）：
- DeepSeek、Qwen（Qwen-VL 之外）、GLM、Kimi 的图像生成能力均未经可靠来源确认；
- 智谱 GLM-5V-Turbo、豆包 Seedance 2.5 两条来自搜索摘要，以官方发布为准；
- Kimi 原生多模态架构说法主要来自第三方/社区口径，非官方文档。
怎么用这张表：
- "会聊天"不等于"看得见"：DeepSeek 是最好的教案——V3/R1 时代读图靠外挂 OCR，2026 年才逐版本补齐识图；多模态不是大模型天然自带的能力。
- "看得见"不等于"会画画"：Claude 读图能力强但完全不能出图，这是"能力边界"的典型样本；喂图问图找它，画图换别家。
- 出图常由独立产品线承担：如阿里把图像生成放在通义万相、字节放在即梦/Seedance——对话模型和图像模型常是两拨选手，选型分开核对。
- 看图也会猜：Claude 官方明确提醒模型无法判断图像是否 AI 生成；图内模糊数值、缺失细节可能被"合理补全"，关键数据人对原图核对是底线。
榜单证据
三张截图来自第三方测评平台 Artificial Analysis（2026-08-22 截取），分别对应综合、读图、生图三个维度的快照。
来源：Artificial Analysis，2026-08-22 截取
综合智能指数榜：Claude Opus 5（63）居首，Grok 4.6（high）61 紧随其后，当前视图显示 611 个模型中的 29 个，全榜分数区间 23-63——头部差距很小，综合能力已不构成唯一选型理由，不如按"看图/生图"分维度挑。
来源：Artificial Analysis，2026-08-22 截取
MMMU-Pro 是大学水平多学科多模态理解基准（约 11.5K 题、30 种异构图像类型），素材5 强调它考的是"看懂图才能答题"，不是 OCR 抄字；图中 Gemini 3.7 Flash 系列约 85% 领跑，Qwen 开源侧约 76%——对照素材5 的 GPT-4V 时代整体约 56%，原生多模态阵营两三代内把这项能力抬高了近 30 个百分点。
来源：Artificial Analysis，2026-08-22 截取
文生图 Elo 人气榜：GPT Image 2（high）1369 分居首，Nano Banana 2（Gemini 3.1 Flash Image Preview）1320 分第三，阿里、字节亦在列——出图赛道的头部玩家与"读图榜"明显不同席，正好印证"图像生成是独立的一条线"。
边界与提醒
- 未核实清单（沿用素材5，引用前必须复核）：arena.ai Vision 榜 2026-08 具体名次与分数（页面 403）；OpenCompass 多模态榜当前排名（动态渲染）；SuperCLUE-VLM 2026-02 榜完整名次；MMMU 榜单页具体模型分数；DeepSeek、Qwen、GLM、Kimi 的图像生成能力。
- 第三方指数提醒：Artificial Analysis 智能指数为平台自建综合指数（非厂商自称跑分）；人气类榜单（Elo/投票）已有研究指出少量投票增删即可改变头部名次（arXiv 2508.11847）；引用任何榜单应注明榜单名、分项、快照日期，人气榜与学术榜成对使用，并对头部名次保留误差意识。
- 判断标准：一家模型是不是原生多模态，看官方文档是否允许模型 API 直接接收图像输入（而非"先 OCR 再传文字"的产品级包装）。
更新说明
- 上次核验 2026-08-21（文字口径）、图表截图 2026-08-22；型号与名次随官方页面和榜单变更，过期引用以各家官方规格页与榜单页为准。
- 本文唯一数据来源为
08-扩展文章素材/素材5-多模态能力边界.md；三张截图的登记信息见图表/索引.md。