最新多模态大模型榜单发布！Gemini-3-Pro断层领跑，豆包与商汤领跑国产阵营，Qwen3-VL成首个高分开源模型

全球多模态大模型的竞争版图再次更新。近日，权威评测平台SuperCLUE-VLM发布2025年12月多模态视觉语言模型综合榜单，谷歌Gemini-3-Pro以83.64分实现断层领先，展现其在视觉理解与推理上的强势实力。字节跳动豆包大模型拿下73.15分挺进前三，商汤科技SenseNova V6.5Pro以75.35分位居第二。国产模型整体表现亮眼，体现中国AI在多模态赛道的加速追赶。

 评测维度：三项能力全面检验模型“看图本领”

SuperCLUE-VLM从三大核心维度衡量模型的真实视觉理解水平：

– 基础认知：识别图片中的物体、文字、场景等基础元素;

– 视觉推理：理解图像中的逻辑关系、因果与隐含信息;

– 视觉应用：完成图文生成、跨模态问答、工具调用等任务。

 Gemini-3-Pro全面领跑，国产模型加速追赶

谷歌Gemini-3-Pro在三项指标中均遥遥领先:

– 基础认知:89.01分  

– 视觉推理:82.82分  

– 视觉应用:79.09分  

综合表现显著高于其他产品，进一步巩固了谷歌在多模态领域的领先地位。

国产阵营表现抢眼:

– 商汤SenseNova V6.5Pro以75.35分稳居第二，推理与应用能力较为均衡;

– 字节豆包大模型以73.15分排名第三，基础认知得分高达82.70，甚至超越部分国际模型，仅在视觉推理环节稍显不足;

– 百度ERNIE-5.0-Preview与阿里Qwen3-VL紧随其后，均跻身前五。

值得关注的是，Qwen3-VL成为榜单中首个总分突破70分的开源多模态模型，为全球开发者提供高性能、可商用的开放底座。

 国际巨头表现分化：Claude稳健，GPT-5.2意外靠后

在国际阵营中，Anthropic的Claude-opus-4-5以71.44分位居中上游，延续其在语言理解方面的优势; 而OpenAI的GPT-5.2（high配置）仅获69.16分，排名相对靠后，也引发了业内对其多模态能力优化方向的讨论。

 行业观察：多模态竞赛进入“实用化”新阶段

SuperCLUE-VLM榜单不仅是技术排名，更映射出行业趋势:  

– 开源模型崛起：Qwen3-VL证明开源也能做到高性能，推动技术更广泛可及;  

– 国产聚焦场景落地：豆包、商汤等模型在基础认知上优势明显，贴合中文互联网图文理解、短视频分析等高频需求;  

– 视觉推理仍是难点：多数模型在复杂逻辑与因果推断等高阶任务上仍有差距，这也是Gemini保持领先的关键。

随着多模态能力成为AI Agent、智能座舱、AR/VR等下一代应用的核心支撑，这场“看图说话”的竞赛，正在决定谁能真正“看见”并理解世界。而中国大模型，已在迈向全球第一梯队的道路上加速奔跑。