HallusionBench

视觉错觉与图文幻觉诊断

基本信息

30 秒看懂

346 图配 1,129 道人工题，看问题组准确率（question-pair accuracy，越高越好）；GPT-4V 当时仅 31.42%、其余模型低于 16%——分数极低是设计使然，专测图文幻觉与视觉错觉，不应按常规准确率及格线解读。

评分协议

这个评测的官方统一评分协议还没收录到本页；各厂商实际使用的执行框架（harness）与推理档位（effort）已逐条写在下方引用卡里。

模型发布采用时间轴

共收录 2 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20

2025

2025-12 ByteDance Seed / 豆包·国内

Seed1.8 / Seed1.8 Thinking / Seed1.5-VL

本发布含 3 个变体，各变体规格见模型详情。

Seed1.8 被发布文定位为通用化 Agentic 模型，覆盖 GUI/浏览器/移动操作、代理搜索、代理编码与经济价值领域任务，并提供三种思考模式。评测横跨代理、数学、STEM、知识、多模态与长视频等约 13 组：GAIA 87.4、BrowseComp-zh 81.3、AIME-25 94.3。

通用代理多模态三档思考模式

查看模型变体与证据

Seed1.8 Thinking · HallusionBench 63.9

2025-07-31 StepFun / 阶跃星辰·国内

Step 3

参数321B-A38B MoE（VLM 321B / LLM 316B）上下文64K（65536）模态文本·图像

StepFun 将 Step 3 定位为高性价比的多模态智能模型，以 38B 激活的 MoE 架构与 MFA 注意力 + AFD 并行设计平衡性能与推理成本，并以 Apache 2.0 开源。已收录评测覆盖多模态理解、数学与科学推理、代码等领域，AIME 2025 82.9、MMMU 74.2。

开源权重多模态高性价比 MoEMFA 注意力架构

查看模型变体与证据

HallusionBench 64.2

数据缺口（本页暂未收录）

• 评测版本与子集（例如部分评测有 Diamond、Verified 等官方变体）以及数据集规模
• 各厂商使用的执行框架（harness / scaffold）与 Agent 工具配置
• 推理档位（reasoning effort）、采样参数（temperature / top-p）、运行次数与分数聚合方式
• 指标对应的随机猜测基线（chance baseline）与人类基线的实验条件
• 测试集污染检测结论，以及是否已饱和的结构化标注

以上字段暂缺时，本页不虚构数字；后续会依据每一次发布的证据逐条补齐并标注来源。

复现入口

相关评测（同类别）

引用

本页数据更新于 2026-09-20，依据厂商发布材料真实抓取；发现数据问题欢迎在 GitHub 提 Issue。