OCRBench
面向大型多模态模型的 OCR 综合评测：29 个数据集，覆盖文本识别/检测、关键信息抽取、VQA 与手写数学表达识别
基本信息
30 秒看懂
综合 OCR 能力（文本、文档、手写数学全覆盖）；Kimi K2.5 视觉协议（max-tokens 64k、avg@3）读 92.3——头部已过 90，区分度主要在难例与手写数学表达；另有更大规模的 OCRBench v2。
采用格局：Kimi K2.5 附录视觉表登记行（对照 GPT-5.2 80.7* / Claude 4.5 Opus 86.5* / Gemini 3 Pro 90.3* / Qwen3-VL 87.5）
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。
可比性提示：同一评测的分数是「实验配置」的产物：只要评测版本（variant）、执行框架（harness）、推理档位（reasoning effort）、工具、采样参数、运行次数或聚合方式有任何一项不同，数字就不能直接横向比较。下方各厂商的分数如未写明协议细节，请只当作方向参考。
模型发布采用时间轴
共收录 1 场模型发布 · 按发布时间倒序排列 · 数据更新于 2026-09-20
2026
2026-01-27
Moonshot AI / Kimi·国内
上下文256K模态文本·图像·视频
发布文以“视觉智能体智能”为题，将 K2.5 定位为在 K2 基础上经 15T 视觉+文本混合语料继续预训练的原生多模态模型，Agent Swarm 最多 100 个子智能体/1500 步。45 项评测覆盖视觉理解、视频、智能体搜索与编码，亮点为 OCRBench 92.3 与 BrowseComp（Agent Swarm 模式）78.4。
原生多模态Agent Swarm长上下文视频理解
查看模型变体与证据
OCRBench 92.3
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
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。