V*Bench

高分辨率高密度图像视觉搜索问答

基本信息

30 秒看懂

191 张高分辨率图像（平均约 2246×1582）上的视觉搜索问答，属性识别 115 题 + 空间关系 76 题，多选准确率计分；目标小且图密，GPT-4V 也常失手。

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

2026

2026-05-29 StepFun / 阶跃星辰·国内

Step 3.7 Flash

参数196B-A11B（另含 1.8B ViT）上下文256K模态文本·图像

Step 3.7 Flash 被阶跃星辰定位为面向真实场景代理的高效率 Flash 模型，支持三档推理级别、最高 400 tok/s。评测覆盖通用代理、编码与长上下文/视觉：BrowseComp 75.8%、HLE w. tool 47.2%、SWE-bench Verified 76.5%、V* 95.29%。

MoE 稀疏激活多模态高效率256K 上下文

查看模型变体与证据

with Python tool 95.29

2026-04-20 Moonshot AI / Kimi·国内

Kimi K2.6

上下文256K模态文本·图像

Kimi K2.6 是月之暗面的开源编码旗舰（Advancing Open-Source Coding），主打长程编码与代理蜂群（300 子代理 / 4000 步）。评测横跨编码、代理、数学与视觉：SWE-bench Verified 80.2、SWE-Bench Pro 58.6、Terminal-Bench 2.0（Terminus-2）66.7、HLE-Full w/ tools 54.0。

开源权重编码增强代理蜂群多模态

查看模型变体与证据

w/ python 96.9

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。