Kimi 發布 PerceptionBench，16 個前沿多模態模型準確率均不足 60%
Kimi 團隊發布 PerceptionBench，這是從 42 個現有基準中的真實模型失敗裡歸納出視覺感知能力的評測集，包含 10 類原子感知能力：視覺關係、計數、屬性、深度與 3D、定位、比較、細粒度識別、上下文整合、OCR 與幻覺；共 3000 道經驗證題目，只需看圖即可作答，不依賴推理或外部知識。在 16 個前沿多模態大模型上，沒有一個模型準確率達到 60%，感知相關的幻覺平均是最弱項，總分接近的模型在實際感知內容上也可能差別很大。
它把「看不看得準」從推理與知識中剝離出來單獨測量，用模型真實失敗反推 10 類原子能力；16 個前沿 MLLM 全部低於 60% 的結果，對評估多模態模型實際感知短板的人很有參考價值。
原標題：PerceptionBench: Evaluating Atomic Visual Perception in MLLMs
閱讀原文
| 評分 | 76 / 75（平均 75，門檻 60） |
|---|---|
| 狀態 | 精選 |
相關報導
Kimi 開源 WorldVQA 基準，評測多模態模型視覺世界知識
Kimi 團隊開源 WorldVQA 基準，用 3500 組圖文問答檢驗多模態大模型是否真的認出了圖中的實體，而不是僅憑視覺模式猜測。資料集覆蓋 9 大類，中文佔 36%、英文佔 64%，並把常見知識與長尾知識分開統計；結果顯示，前沿模型在長尾題上的準確率常常低於 50%。校準實驗還發現，各模型普遍過度自信；其中表現最好的 Kimi-K2.5，其 ECE 仍達 37.9%，Slope 為 0.550。
Kimi K2.5 發布：開源原生多模態，支援 100 個子智慧體
Kimi K2.5 發布，官方稱其為迄今最強開源模型，原生多模態，在 K2 基礎上用約 15T 視覺與文字混合 token 繼續預訓練。其 Agent Swarm 可自行組織最多 100 個子智慧體、執行最多 1500 次工具呼叫，相比單智慧體執行時間最多縮短 4.5 倍。模型已上線 Kimi.com、App、API 和 Kimi Code；
Kimi K3 發布：2.8T 引數開源模型，支援百萬 token 上下文
Kimi 發布最強模型 Kimi K3，引數規模 2.8T，具備原生視覺與 100 萬 token 上下文，並稱其為全球首個開源的 3T 級模型。官方承認整體效能仍落後於 Claude Fable 5 與 GPT 5.6 Sol，但在自家評測中穩定優於其他被測模型。該模型即日上線 Kimi.com、Kimi Work、Kimi Code 與 Kimi API，預設使用最高思考強度；完整權重將於 2026 年 7 月 27 日前開放。
Kimi 開源 K2.6：主打長程編碼與 Agent 叢集
Kimi 開源最新模型 K2.6，主打編碼、長程執行與 agent swarm，已上線 Kimi.com、App、API 和 Kimi Code。官方稱其在 Mac 上本地部署 Qwen3.5-0.8B 並用 Zig 實現推理最佳化，經 4000+ 次工具呼叫、12 小時、14 輪迭代，吞吐從約 15 提升到約 193 tokens/s，比 LM Studio 快約 20%；另以 13 小時重構 8 年曆史的 exchange-core，中等吞吐提升 185%。
浙大等發布 WorldMemBench，評測影片世界模型記憶
浙江大學、復旦大學、螞蟻集團與南京大學團隊推出 WorldMemBench，用可控的“離開—回訪”鏡頭評測影片世界模型的記憶。基準含 260 個案例、23 個內容類別，分靜態記憶、動態記憶及影片品質、相機跟隨四個維度，測試了 HY-WorldPlay、LingBot-World 等九個模型。結果顯示靜態與動態記憶的強項分化：HY-WorldPlay 七項靜態指標全部領先，LingBot-World 動態記憶總分最高；