为什么重要
MM-Vet 评估 6 种核心视觉-语言能力（识别/OCR/空间/知识/数学/生成）的自由组合。
构建方式与示例
200+ 开放式问题，需要同时运用多种能力。例如：[菜单图片] “这家餐厅最贵的菜是什么？用 2 个人的预算计算总价。“（需要 OCR + 数学）
返回评测
多模态 VLM-推理 未饱和
模态 · 图文
任务 · 选择 / 判断
MM-Vet v2
开放式视觉问答，评估 6 种核心视觉-语言能力的整合水平
NTU ·
考察能力
视觉识别 OCR 空间推理 知识 数学 语言生成
构建信息
- 数据规模
- 200+ 开放式问题
- 构建方式
- 人工设计
- 评测方式
- GPT-4 自动评分
- 核心指标
- Score (%)
模型效果排行
🥇 GPT-5 Vision
~78% 2026-01
多模态 视觉问答 综合