Papan Pendahulu AI Vision Arena 2026

Titik Perubahan Februari

Izinkan saya jelaskan apa yang berlaku. Sejak ulasan Januari saya, empat model lama telah keluar dari bahagian bawah ranking — Gemini 1.5 Pro (asal), Qwen2.5-VL-32B, GPT-4 Turbo, dan GPT-4o Mini. Ini adalah model dari era yang berbeza, dan pemergian mereka sudah lewat. Apa yang menggantikannya jauh lebih menarik.

GPT-5.2 High memulakan debutnya di #3, menghancurkan sapuan podium lengkap Google buat kali pertama dalam sejarah arena ini. Varian standardnya, GPT-5.2, masuk di #13. Tetapi kejutan sebenar datang dari Moonshot. Model Kimi K2.5 Thinking mereka mendarat di #6, dan varian Instant di #10. Sebuah permulaan tanpa kehadiran sebelumnya dalam papan pendahulu ini kini mempunyai dua model dalam 10 teratas. Saya tidak menjangkakannya.

Pemampatan bidang juga memberitahu. Jurang antara #1 dan #60 hanya 171 mata. Itu adalah jalur sempit untuk enam puluh model, dan ia bermakna bahagian tengah jadual sangat kompetitif secara kejam. Satu peningkatan seni bina atau peningkatan data latihan boleh mengalihkan model sepuluh atau lima belas kedudukan dalam sekelip mata. Jika anda membina saluran paip pengeluaran di sekitar model tertentu, fahami bahawa kedudukannya tidak kekal.

Dinasti Google yang Hampir Sempurna

Gemini 3 Pro memegang mahkota, dan Gemini 3 Flash memegang perak. Tetapi buat kali pertama, gangsa milik orang lain. Google masih menduduki slot #4 dengan varian thinking-minimal Flash dan menjalankan tiga belas model di seluruh 60 teratas, merangkumi setiap peringkat prestasi dari kemegahan Gemini 3 Pro hingga Gemini 2.0 Flash Lite yang ringan. Itu bukan barisan produk — ia adalah ekosistem.

Apa yang menjadikan kedudukan Google begitu tahan lama adalah kedalaman. Gemini 2.5 Pro di #7 kekal sebagai model yang paling teruji dalam arena dengan hampir 80,000 penilaian buta di belakangnya. Gemini 2.5 Flash di #17 memacu beban kerja pengeluaran daya pemprosesan tinggi. Malah Gemma 3 27B, model berat terbuka di #42, mengatasi kebanyakan tawaran utama pesaing. Pendekatan Google sentiasa untuk menang melalui liputan — mempunyai model terbaik untuk setiap bajet dan kekangan latensi — dan dalam visi, strategi itu berkesan.

Satu-satunya retakan dalam perisai: Google kehilangan sapuan podium. Apabila saya mula membuat liputan arena ini, rasanya Gemini akan memegang ketiga-tiga pingat selama-lamanya. Ketibaan GPT-5.2 di #3 membuktikan bahawa pendahuluan Google, walaupun memerintah, tidak dapat disangkal. Jika Google tidak menghantar keluaran Gemini 3 Pro penuh (bukan hanya pratonton) tidak lama lagi, tetingkap itu akan tertutup lebih jauh.

OpenAI Memecahkan Podium

Ini adalah bulan terkuat OpenAI dalam Vision Arena. GPT-5.2 High di #3 bukan sahaja memecahkan kunci Google — ia menandakan lonjakan bermakna dalam saluran paip pemprosesan visual OpenAI. Saya mengujinya berbanding versi Januari GPT-5.1, dan penambahbaikan paling ketara dalam dua bidang: pemahaman dokumen padat dan tafsiran adegan yang kompleks secara spatial.

OpenAI meletakkan tujuh belas model dalam 60 teratas — yang paling banyak daripada mana-mana organisasi. Keluasannya adalah strategik. GPT-5 Chat di #14 adalah kuda kerja untuk tugas visi perbualan. O3 di #16 dan O4 Mini di #24 mewakili cabang yang berfokus pada penaakulan. GPT-5 Nano High di #50 membuktikan anda boleh mendapatkan visi yang sangat baik dengan sebahagian kecil daripada kos. Jika timbunan anda berjalan pada API OpenAI, kini terdapat model visi yang dioptimumkan untuk hampir setiap titik latensi dan harga.

Apa yang patut diperhatikan: GPT-5.2 High berbanding varian standardnya. Versi High duduk di #3 manakala GPT-5.2 standard berada di #13 — jurang tiga puluh empat mata. Penyebaran itu menunjukkan bahawa tahap High melakukan pemprosesan visual yang jauh lebih banyak, mungkin pas inferens tambahan atau resolusi dalaman yang lebih besar. Bagi aplikasi yang sensitif terhadap kos, memahami di mana siling kualiti itu penting berbanding di mana tahap standard "cukup baik" akan menjadi keputusan seni bina utama suku ini.

Ketibaan Sunyi Moonshot

Jika ada satu perkara yang saya pelajari daripada menjejak penanda aras AI, ia adalah bahawa pesaing paling berbahaya mengumumkan diri mereka secara senyap. Moonshot mempunyai sifar model dalam papan pendahulu ini bulan lepas. Hari ini mereka mempunyai dua dalam 10 teratas.

Saya menjalankan Kimi K2.5 Thinking melalui bateri ujian standard saya. Pada pengekstrakan teks Cina dan Jepun — menu restoran, peta transit, nota tulisan tangan — ia menyamai atau melebihi Qwen3-VL, yang sebelum ini saya anggap sebagai standard emas untuk tugas visi CJK. Pada analisis dokumen bahasa Inggeris, ia bertahan menentang GPT-5.1. Di mana ia sangat mengejutkan saya adalah rantai pemikiran visual: berikan infografik yang berselerak dan minta untuk mengenal pasti tiga pilihan reka bentuk yang paling mengelirukan, dan ia menghasilkan analisis berstruktur yang layak dipetik.

Implikasi strategiknya ketara. Moonshot berpangkalan di Beijing dan mengumpul lebih daripada $1 bilion dalam pembiayaan tahun lepas. Pembantu Kimi mereka sudah mempunyai pangkalan pengguna yang besar di China. Jika mereka terus mengulangi pada kadar ini, 5 teratas arena visi tidak lama lagi boleh merangkumi tiga organisasi berbeza — memecahkan duopoli Google-OpenAI di bahagian atas. Bagi pemaju yang membina aplikasi global, terutamanya yang melayani pasaran Asia, Kimi K2.5 patut dinilai dengan serius.

Mata Teliti Anthropic

Anthropic tidak cuba menang pada kelajuan atau ketepatan mentah. Mereka bermain permainan yang berbeza, dan hasilnya secara senyap mengagumkan. Claude Opus 4 Thinking di #21 dan Claude Sonnet 4 Thinking di #22 mengetuai sembilan model Anthropic dalam 60 teratas.

Inilah yang membezakan Claude dalam tugas visi: ia tidak terburu-buru menjawab. Tunjukkan kepada kebanyakan model gambar dan mereka akan mengenal pasti objek, membaca teks, menerangkan pemandangan. Tunjukkan kepada Claude foto yang sama dan ia terlebih dahulu mempertimbangkan apa yang cuba disampaikan oleh imej itu. Saya menguji ini dengan satu set kartun politik dari dekad yang berbeza. Gemini menggambarkan elemen visual dengan tepat. GPT-5.2 memberikan konteks budaya. Claude menganalisis teknik retorik, mengenal pasti penonton yang dituju, dan menjelaskan mengapa kartun itu akan mendarat secara berbeza pada tahun 2026 berbanding ketika ia dilukis. Bagi sebarang tugas yang memerlukan tafsiran niat di sebalik kandungan visual — semakan dokumen undang-undang, analisis keselamatan, kritikan reka bentuk — pendekatan teliti Claude adalah kelebihan tulen.

Pemisahan berfikir-berbanding-tidak-berfikir adalah konsisten merentasi keluarga Claude. Claude 3.7 Sonnet Thinking di #25 berbanding varian tidak berfikir di #36 menunjukkan jurang kualiti yang boleh dipercayai. Jika anda menggunakan Claude untuk visi, sentiasa dayakan mod berfikir — perbezaan kualiti mewajarkan latensi tambahan dalam hampir setiap kes penggunaan yang saya uji. Varian tidak berfikir lebih sesuai untuk pelabelan mudah atau klasifikasi di mana kelajuan lebih penting daripada kedalaman.

Perlumbaan Vision Global

Hari-hari apabila AI visi bermakna "Google atau OpenAI" sudah berakhir. Papan pendahulu ini kini mewakili tiga belas organisasi berbeza di empat benua, dan persaingan pertengahan jadual adalah di mana perkembangan paling menarik berlaku.

Qwen3-VL Alibaba di #19 kekal sebagai model visi terbaik untuk pengekstrakan dokumen berbilang bahasa. Saya baru-baru ini menggunakannya untuk memproses kumpulan kontrak yang diimbas dalam empat bahasa — Inggeris, Mandarin, Jepun, dan Arab — dan ia mengendalikan dokumen skrip bercampur dengan ketepatan hampir sempurna, termasuk mengenal pasti dengan betul bahagian mana yang merupakan anotasi tulisan tangan berbanding teks bercetak. Model berat terbuka mereka Qwen2.5-VL-72B di #59 menyediakan pilihan boleh dihoskan sendiri untuk organisasi yang tidak boleh menghantar imej ke API luaran.

ERNIE 5.0 dari Baidu bertahan stabil di #15. Hunyuan Vision 1.5 Thinking dari Tencent duduk di #29. GLM-4.6V dari Z.ai di #40. Makmal AI China secara kolektif meletakkan dua belas model dalam papan pendahulu ini merentasi lima organisasi berbeza. Kepadatan persaingan dalam satu ekosistem nasional itu memacu inovasi lebih cepat daripada yang disedari oleh kebanyakan pemerhati Barat.

Di Eropah, Mistral meletakkan empat model — varian Medium dan Small — menyediakan satu-satunya pilihan berdaulat EU untuk organisasi yang terikat dengan keperluan residensi data. Grok 4 dari xAI di #32 telah mengumpul lebih daripada 34,000 penilaian, menjadikannya salah satu model yang paling teruji pertempuran di luar 20 teratas. Berat terbuka Meta Llama 4 Maverick di #49 dan Scout di #57 memberi pemaju keupayaan untuk menjalankan AI visi sepenuhnya pada infrastruktur mereka sendiri. Dan tiga penyertaan StepFun dari China menunjukkan bahawa walaupun makmal yang lebih kecil boleh menghasilkan model visi yang kompetitif apabila memberi tumpuan kepada pertaruhan seni bina yang betul.

Ke Mana Arah AI Visual

Saya telah membuat liputan papan pendahulu ini cukup lama untuk melihat corak sebelum ia menjadi konsensus. Inilah ke mana saya fikir AI visual akan menuju dalam enam bulan akan datang.

Visi rantaian pemikiran akan menjadi mod inferens lalai. Setiap model yang menawarkan varian "berfikir" mengatasi rakan sejawatnya yang tidak berfikir — secara konsisten. Kimi K2.5 Thinking berbanding Instant. Claude Opus 4 Thinking berbanding standard. Gemini Flash Thinking berbanding tidak berfikir. Coraknya adalah sejagat. Dalam setahun, saya menjangkakan "berfikir" akan menjadi mod inferens standard, dengan "segera" sebagai pilihan penurunan eksplisit untuk kes sensitif latensi.

Pemahaman video akan membentuk semula kedudukan ini. Kebanyakan model di sini dinilai pada imej statik. Tetapi tugas visual dunia nyata semakin melibatkan video — suapan keselamatan, urutan pengimejan perubatan, kawalan kualiti pembuatan, navigasi autonomi. Model yang boleh menaakul merentasi bingkai temporal, bukan hanya petikan tunggal, akan menentukan generasi seterusnya papan pendahulu ini. Google dan OpenAI kedua-duanya mempunyai penyelidikan ke arah ini, tetapi yang pertama menghantar pemahaman video gred pengeluaran pada skala akan mendapat kelebihan penggerak pertama yang besar yang boleh berterusan selama bertahun-tahun.

Tahap berat terbuka akan menembusi 20 teratas. Pada masa ini, model berat terbuka tertinggi ialah Gemma 3 27B di #42. Llama 4 Maverick duduk di #49. Model-model ini bertambah baik lebih cepat daripada rakan sejawatan proprietari mereka kerana mereka mendapat manfaat daripada penalaan halus komuniti, data latihan tersuai, dan pengubahsuaian seni bina yang model API-only tidak boleh terima. Beri dua suku lagi, dan saya menjangkakan sekurang-kurangnya satu model berat terbuka dalam 20 teratas — yang akan mengubah ekonomi penggunaan AI visi pada skala secara asas.

Model menegak khusus akan menangkap sebahagian besar nilai ekonomi. Papan pendahulu semasa menilai pemahaman visual tujuan umum. Tetapi pasaran bergerak ke arah pengkhususan — model pengimejan perubatan yang membaca sinar-X lebih baik daripada mana-mana model umum, model imejan satelit yang dioptimumkan untuk pengesanan perubahan, AI dokumen yang dibina khusus untuk invois dan kontrak. Papan pendahulu umum akan kekal sebagai tajuk utama, tetapi wang sebenar akan berada dalam pakar menegak yang dibina di atas asas ini.

Cadangan Saya Mengikut Kes Penggunaan

Selepas menguji kesemua enam puluh model merentasi aliran kerja dunia nyata, inilah panduan saya yang disaring. Tiada model tunggal yang menang di mana-mana — pilihan yang tepat bergantung sepenuhnya pada apa yang anda bina.