先记住这三点
- 背离主要来自三件事：模态覆盖度、证据等级折扣、榜单缺席。公开榜单测“会做的题”，天梯榜测“能不能干你的活”。
- 专用模型是背离最严重的一类：DeepSeek-OCR 2 在文档单项排第 1，在总榜只排第 20，19 个名次的落差全部来自覆盖度惩罚。
- InternVL 4.0 是新增的一种背离：开源社区榜上常年前三，中文横评里根本不存在。它的感知维度第 4、视频维度第 26，一款模型的内部跨度可以达到 22 个名次。
关于“榜单会骗人”的文章已经太多了：数据污染、提示词差异、样本泄漏，每篇都能列出七八条。这类文章的问题是，它们只告诉你榜单不可信，不告诉你不可信到什么程度、对哪几款模型不可信。
这篇文章换一个做法：把偏离量化。我们为这份 2026 中国国产原生多模态大模型对比排名天梯榜 上的 32 款模型算了两个背离指数——一个衡量它与公开基准的分歧，一个衡量它与自己的分歧。后者是本文的主要产物，也是公开榜单从来不会公布的东西。
三种背离
外部背离：同一款模型在公开榜单（SuperCLUE-VLM、OmniDocBench 等）上的名次，与本站天梯榜名次之差。
内部背离：同一款模型在它最强维度上的名次，与总榜名次之差。
缺席背离：一款模型在公开基准与开源社区榜单上的存在感，与它在中文横评里的存在感之差。这是 2026 年才值得单列的一类——开源社区有自己的热度榜，横评圈有自己的固定名单，两者几乎不重叠。
外部背离衡量“两套口径的分歧”，内部背离衡量“这款模型有多依赖你只看某一个维度”。后者对选型更有用，因为它完全可复算，且覆盖全部 32 款。
内部背离：排名落差从 0 到 27
定义：落差 = 总榜名次 − 最强维度名次。正数越大，说明这款模型“单项很强但总分不行”。
| 模型 | 总榜 | 最强维度 | 落差 | 维度名次跨度 |
|---|---|---|---|---|
| BAGEL-2 | 31 | 生成 #4（90） | +27 | 28 |
| Emu3.5 | 24 | 生成 #1（98） | +23 | 27 |
| 海康观澜 3 | 27 | 视频 #7（91） | +20 | 25 |
| 云从从容 2 | 32 | 感知 #12（91） | +20 | 18 |
| DeepSeek-OCR 2 | 20 | 文档 #1（99） | +19 | 30 |
| WITA-Omni Preview | 23 | 视频 #6（92） | +17 | 26 |
| 蚂蚁百灵 Ling 2 | 22 | 中文 #9（92） | +13 | 22 |
| 网易伏羲 2 | 29 | 生成 #16（82） | +13 | 16 |
| Keye-VL-2.0 | 14 | 视频 #2（94） | +12 | 20 |
| 书生 InternVL 4.0 | 16 | 感知 #4（96） | +12 | 26 |
| 京东言犀 2 | 28 | 中文 #16（89） | +12 | 16 |
| 脑虎 NeuroXess-N1 | 30 | 中文 #19（88） | +11 | 12 |
| Qwen3.8-Flash | 13 | 生态 #3（97） | +10 | 18 |
| MiniCPM-V 4.5 | 26 | 生态 #17（80） | +9 | 15 |
| MiniMax M2.5 | 19 | Agent #11（86） | +8 | 18 |
| 紫东太初 2.0 | 25 | 视频 #17（84） | +8 | 13 |
| LongCat-Next | 9 | 生成 #2（92） | +7 | 22 |
| 讯飞星火 X2 | 18 | 中文 #12（90） | +6 | 12 |
| DeepSeek-V4.1-Flash | 12 | 文档 #6（95） | +6 | 19 |
| Step-3 | 17 | Agent #12（85） | +5 | 14 |
| Kimi K3 | 5 | Agent #1（95） | +4 | 11 |
| GLM-5 | 6 | 中文 #2（95） | +4 | 9 |
| MiMo-V2.5 | 7 | 视频 #3（93） | +4 | 11 |
| ERNIE 5.1 | 11 | 中文 #7（93） | +4 | 9 |
| SenseNova 6.5 Pro | 8 | 感知 #6（94） | +2 | 8 |
| Qwen3-Omni-30B | 10 | 生成 #8（88） | +2 | 6 |
| 华为盘古 5.5 | 21 | 文档 #19（87） | +2 | 9 |
| 豆包 Seed 2.0 Pro | 2 | 感知 #1（97） | +1 | 6 |
| Qwen3.5-397B | 3 | 文档 #2（97） | +1 | 3 |
| 混元 Hunyuan-Vision | 15 | 生成 #14（82） | +1 | 5 |
| GLM-5.3 | 4 | Agent #3（95） | +1 | 9 |
| Qwen3.8-Max | 1 | 图表 #1（96） | 0 | 4 |
这张表能直接读出五件事：
落差为 0 的仍然只有一款。 Qwen3.8-Max 的最强维度名次（图表第 1）与总榜名次（第 1）完全一致。它是 32 款里唯一一款“按单一维度看是最强档、按综合看也是第一”的模型。这是它排在榜首最硬的理由，比 95.4 这个数字本身更有说服力。
落差超过 15 的从四款变成六款。 BAGEL-2（生成 #4、总榜 31）、Emu3.5（生成 #1、总榜 24）、观澜（视频 #7、总榜 27）、从容（感知 #12、总榜 32）、DeepSeek-OCR 2（文档 #1、总榜 20）、WITA-Omni（视频 #6、总榜 23）。如果你要做的是图像生成、文档解析、监控视频或识别，按总榜选会把最强的几款直接排除。
跨度最大的是 DeepSeek-OCR 2（30 个名次）——文档第 1 到生成第 31。一款模型的内部不对称可以达到这种程度：它在文档基准上是无可争议的冠军，在“什么都能做一点”的加权榜上排第 20。
两款行业模型是缺席背离的新标本。 海康观澜的视频第 7、总榜第 27：它在安防行业方案里是主力，在公开基准里不存在——因为监控数据不能公开。云从从容的感知第 12、总榜第 32：它在人像识别验收里稳定，在横评里排最后一名。两款模型的共同点是：通用榜的名次对它们的采购决策几乎没有参考价值。
InternVL 4.0 与蚂蚁百灵代表另外两种背离。 前者是社区热度与横评存在的倒挂（感知第 4、视频第 30，跨度 26）；后者是场景语料与通用能力的倒挂（中文第 9、视频第 31，跨度 22）——它的中文 92 排全站第 8，总榜却只排第 22。
缺席背离：InternVL 4.0 现象
外部背离只能对同时出现在两套口径里的模型计算，而这恰好暴露了公开榜单最大的问题：跨版本分数不可比，以及更隐蔽的——横评样本同质化。
我们引用的 SuperCLUE-VLM 分数来自两个不同期次：
| 模型 | SuperCLUE-VLM | 期次 | 本站综合分 | 本站名次 |
|---|---|---|---|---|
| Qwen3.8-Max | 91.8 | 2026-10 | 95.4 | 1 |
| GLM-5.3 | 89.4 | 2026-10 | 92.4 | 4 |
| Qwen3.8-Flash | 84.2 | 2026-10 | 87.5 | 13 |
| 豆包 Seed 2.0 Pro | 90.66 | 2026-04 | 95.2 | 2 |
| Qwen3.5-397B | 88.50 | 2026-04 | 94.6 | 3 |
| SenseNova 6.5 Pro | 85.88 | 2026-04 | 89.9 | 8 |
看第三列。把 2026-04 与 2026-10 的分数放进同一张表排序，会得出“豆包 90.66 > GLM-5.3 89.4”的结论——但这两个数字之间隔了半年、隔了一整套基准题目更新，也隔了 GLM-5.3 的一次架构升级。这个排序是无效的，而它正是绝大多数聚合类榜单在做的事。
同期次内部比较才有意义：2026-10 期里 Qwen3.8-Max 91.8 > GLM-5.3 89.4 > Qwen3.8-Flash 84.2，与本站名次（1、4、13）方向一致，但绝对差值被压缩了。公开榜单的分数分布比真实能力分布更平——这是选择题型基准的固有特性，它会把强模型的长尾失败平均掉。
而缺席背离是另一回事。书生 InternVL 4.0 在 Hugging Face 的下载量长期位居国产多模态前三，OpenCompass 开源档第一，但在中文横评里几乎不存在——因为横评的固定动作是“拉十款头部门面”，开源社区款不在这个名单里。商汤 SenseNova、阶跃 Step-3、脑虎 NeuroXess 的缺席原因各不相同（不做通用营销、架构不公开、没有 API），结果一样：你在公开榜单上能看到的能力分布，是真实分布的一个有偏采样。
有偏采样的代价由选型者承担：一个做开源技术栈的团队，如果只参考横评选型，会直接错过开源阵营的感知天花板。
覆盖度惩罚：DeepSeek-OCR 2 的 19 个名次去哪了
这是内部背离最大的案例之一，值得单独拆开。
DeepSeek-OCR 2 的文档维度 99 分是全站第一，OmniDocBench v1.5 达到 91.09%，输出单价只有 ¥0.8/百万 token。按“文档解析”这一个维度，它是无可争议的第一名。
但它的模态只有 text 与 image：没有视频、没有音频、没有 Agent，生成能力接近于零。在本站 8 维权重下，视频 14、Agent 14、生成 6、中文 6 合计 40 分的权重里它拿到的分数极低，直接把综合分拖到 81.9、总榜第 20。
这 19 个名次的落差不是它变弱了，是它在被自己不做的事情惩罚。
所以正确用法是把它当组件而不是候选：文档流水线里让它做第一道解析，再用旗舰复核。DeepSeek-V4.1-Flash 与 DeepSeek-OCR 2 的对比页 拆了这个组合的成本结构。
证据折扣：新模型的反向背离
刚发布的前沿模型会出现一种特殊的外部背离：厂商自报基准名次远高于天梯榜名次所隐含的确定性。
Qwen3.8-Max、GLM-5.3、DeepSeek-V4.1-Flash、Qwen3.8-Flash 四款都在 2026 年 9 月底到 10 月上旬发布，本站给的证据等级都是 B，不是 A。原因是缺两样东西：第三方独立复现，以及 30 天以上的稳定性观察记录。
这会造成一个看起来矛盾的结果：Qwen3.8-Max 在 SuperCLUE-VLM 2026-10 排第一，在本站也排第一，但本站同时告诉你“这个第一名的确定性低于第二名的豆包”。
这不是保守，是把两种风险分开报价。能力风险由综合分反映，确定性风险由证据等级反映。历史经验是这类反向背离通常在一个评测周期（约三个月）后收敛——要么第三方复现证实，分数保留、等级升 A；要么发现版本差异，分数下调。每一次等级变更都会记在 更新日志。
怎么用背离指数选型
三步：
- 先定你自己的内部背离容忍度。 业务只碰一到两个维度，容忍度可以很高——直接按单项排序选，忽略总榜。业务横跨四五个维度，容忍度必须低，只看跨度 ≤5 的模型（Qwen3.8-Max、Qwen3.5-397B、豆包、GLM-5.3、混元 Hunyuan-Vision）。
- 检查公开榜单的期次是否一致。 不一致就不要横向比，只比同期次内部。
- 给新模型一个评测周期的观察窗。 项目周期允许就等第三方复现；不允许就选 A 级证据的次优解，把确定性买回来。
维度排序、跨度与证据等级都可以在 天梯榜页面 直接切换查看。背离指数的完整计算脚本随站点数据发布，输入是 32 款模型的 256 个维度分。
关于本文的常见问题
背离指数为正和为负分别是什么意思？
正数表示它在公开榜单上的名次比在本站好，即“被公开基准高估”；负数表示它在本站名次更好，即“被公开基准低估”。绝对值越大，说明两套口径的分歧越大，越需要你自己定义场景权重。
为什么不直接采用某个公开榜单的排名？
因为公开榜单的目标是横向比较能力上限，而选型的目标是匹配场景。前者不需要知道你的图片分辨率、并发量与合规要求，后者离开这些就没有意义。我们把公开分数作为证据输入，而不是结论。
