不存在的模型：32 款国产多模态的模态空白图，和四个没人做的组合

先看有什么，再看没有什么

多模态评测习惯列“支持哪些模态”：文本、图像、视频、音频、GUI、具身。勾选越多，看起来越强。

但勾选表有一个盲区：它只告诉你已经存在的组合，不告诉你哪些组合根本没人做。 32 款国产模型里，模态配置并不是 32 种不同的形态，而是 8 种捆绑方式重复了 32 次；把这 8 种捆绑放到 6 个模态的 64 种可能组合里，空白比比皆是。

这篇文章画的是负空间：先列出存在的 8 种模态捆绑，再指出 4 个没人做的组合，最后回答一个更实用的问题——哪些空白是真需求，哪些只是没必要。

32 款模型，8 种模态捆绑

按本站的六模态口径（文本、图像、视频、音频、GUI、具身），32 款的覆盖是：

模态	覆盖模型数	占比
文本	32	100%
图像	32	100%
视频	24	75%
音频	11	34%
GUI	4	12.5%
具身	2	6.3%

把每款模型的模态集合去重后，只剩 8 种：

#	模态捆绑	数量	代表模型
1	文本 + 图像 + 视频	11	GLM-5、SenseNova 6.5 Pro、ERNIE 5.1、Keye-VL-2.0、Hunyuan-Vision、MiniCPM-V 4.5、Pangu 5.5、DeepSeek-V4.1-Flash、Guanlan 3、Fuxi 2、Emu3.5
2	文本 + 图像	6	DeepSeek-OCR 2、BAGEL-2、InternVL 4.0、云从从容 2、蚂蚁百灵 2、京东言犀 2
3	文本 + 图像 + 视频 + 音频	8	豆包 Seed 2.0 Pro、Qwen3.5-397B、MiMo-V2.5、LongCat-Next、Qwen3-Omni-30B、Step-3、MiniMax M2.5、紫东太初 2.0
4	文本 + 图像 + 视频 + GUI	3	Kimi K3、Qwen3.8-Flash、GLM-5.3
5	文本 + 图像 + 音频	1	Spark X2
6	文本 + 图像 + 视频 + 音频 + 具身	1	WITA-Omni
7	文本 + 图像 + 视频 + 音频 + GUI	1	Qwen3.8-Max
8	文本 + 图像 + 具身	1	NeuroXess-N1

三条结构性事实：

文本 + 图像是底座，没有例外。 32 款全部具备；没有一款只做音频、只做视频或只做具身。所谓“多模态”，在这个样本里是“文本+图像再加东西”，不是替代文本/图像。

视频是分水岭。 24 款有视频，8 款没有；所有带 GUI 的模型都有视频，所有带具身的模型都有图像。视频不是“再加一个模态”，它是通用模型与专用模型的分界。

音频与 GUI 几乎不碰面。 11 款有音频，4 款有 GUI，两者交集只有 1 款（Qwen3.8-Max）。这不是随机：音频来自语音/通话场景，GUI 来自屏幕操作场景，两条产品线的数据采集方式完全不同。

负空间一：没有一款 6/6

按六模态口径，没有任何一款模型集齐全部六种模态。

最接近的是两款 5/6：

• Qwen3.8-Max：文本 + 图像 + 视频 + 音频 + GUI，缺具身。它是“屏幕里的全模态”。
• WITA-Omni：文本 + 图像 + 视频 + 音频 + 具身，缺 GUI。它是“身体里的全模态”。

一个缺身体，一个缺屏幕——这是两条完全不同的产品路线。把它们都叫“全模态”，会掩盖一个事实：在当前的产品形态里，“全模态”最多是 5/6，而且缺的那一项决定了它只能服务哪一类场景。

被称为“全模态”的紫东太初 2.0 实际是 4/6（文本+图像+视频+音频，缺 GUI 与具身）；它的“全”是学术口径的四模态，不是本文的六模态。口径不同，结论不同；这也是“全模态”这个词最容易被误读的地方。

负空间二：具身 + GUI = 0

这是整张表里最干净的零：没有一款模型同时具备具身与 GUI。

为什么值得注意？因为服务机器人、巡检机器人、零售终端的真实任务，往往同时需要两件事：

1. 看懂物理世界：走到设备前，识别指示灯、屏幕、按钮、仪表盘；
2. 操作数字界面：点屏幕、输密码、切换页面、处理弹窗。

前者是具身视觉，后者是 GUI Agent。当前市场把它们分成了两类模型：WITA 能看物理世界但不能点屏幕；Kimi、Qwen3.8-Flash、GLM-5.3 能点屏幕但没有身体。中间那一步——机器人走到屏幕前并完成一次触控操作——没有单一模型覆盖。

这不是说厂商应该马上做一个 6/6；它说明“具身 + GUI”是一个真实的集成缺口。采购方如果要做这类场景，至少需要两个模型加一层编排，预算里必须留出这部分。

负空间三：音频 + GUI，但不带视频 = 0

唯一同时有音频与 GUI 的 Qwen3.8-Max，也带视频。所以“音频 + GUI、不带视频”这个组合是零。

它对应一个具体形态：纯语音交互的屏幕代理——呼叫中心坐席一边听客户说话，一边在 CRM 里点按、填单、切页；不需要理解摄像头画面，只需要音频 + 屏幕。

这个空白是“伪空白”还是“真空白”？我们的判断是偏伪：Qwen3.8-Max 多带一个视频模态，并不妨碍它做音频 + GUI；多一个模态是能力冗余，不是缺陷。真正的问题不是“没有这个组合”，而是“这个组合没有被单独评测”——音频质量没有独立维度，GUI 成功率也只有自建测试。

负空间四：具身 + 视频，但不带音频 = 0

WITA-Omni 同时有视频、音频与具身；NeuroXess-N1 有具身但没有视频。于是“具身 + 视频、不带音频”也是零。

它对应的是无声工业机器人：只看画面、不需要麦克风，避免把车间噪声喂进模型。这个空白同样偏伪——WITA 多一个音频输入，可以在部署时关掉；真正缺的是“关掉音频后，视频时序与具身控制是否仍然成立”的独立验证。

负空间里，两个是真空白（6/6、具身+GUI），两个是伪空白（音频+GUI 不带视频、具身+视频 不带音频）。 区分真假的标准不是“有没有这个组合”，而是“多一个模态是否妨碍这个场景”。多一个模态通常不妨碍；少一个关键模态才妨碍。

模态共现矩阵

	文本	图像	视频	音频	GUI	具身
文本	32	32	24	11	4	2
图像	32	32	24	11	4	2
视频	24	24	24	10	4	1
音频	11	11	10	11	1	1
GUI	4	4	4	1	4	0
具身	2	2	1	1	0	2

矩阵里最刺眼的两个零：GUI × 具身 = 0，以及隐含的 6/6 = 0。其余组合都有至少一款。

另一个值得注意的数字：视频 × 音频 = 10，而音频总数是 11。 也就是说，除了 Spark X2，所有带音频的模型都带视频。音频在这个样本里几乎总是视频的附属品，而不是独立能力。这与评分表的结构一致——我们给视频 14% 权重，却没有给音频任何独立维度。

有模态 ≠ 能用

模态勾选是厂商声明，不是能力证明。三个反例：

视频：24 款有，但视频分从 55 到 96。 京东言犀 2 有视频，视频分 55；豆包有视频，96。同样一个勾，差距 41 分。“支持视频”只说明接口能收视频，不说明能理解时序。

GUI：4 款有，GUI 分从 68 到 95。 BAGEL-2 有 GUI 吗？没有——它的多模态是文本+图像。4 款 GUI 模型是 Kimi、Qwen3.8-Max、Qwen3.8-Flash、GLM-5.3，分从 95 到 87。GUI 是权重最高（并列 14%）且覆盖最低之一的模态：14% 的权重，只有 12.5% 的模型覆盖。

音频：11 款有，但没有独立评分。 本站的 8 个维度里没有“音频理解”。所以这份榜单无法回答“谁的语音最强”，只能回答“谁声称支持音频”。这是评测口径的盲区，也是下一版要补的维度。

具身：2 款有，没有独立评分。 WITA 与 NeuroXess 的具身能力只在场景描述里，没有进入综合分。它们的名次（#23、#30）主要反映其他七个维度，不反映具身能力本身。

模态覆盖是必要条件，不是能力证明。 采购时看到“支持音频/视频/GUI”的勾，应该追问三件事：有没有独立评测？在你场景里的准确率是多少？失败时的降级路径是什么？

采购：用负空间做集成预算

模态负空间的实用价值，不是“催厂商做 6/6”，而是帮你算集成成本。

步骤：

1. 列出你的任务真正需要的模态集合。 不是“越多越好”，是“哪几个是必须”。
2. 在 8 种捆绑里找覆盖。 如果没有完全覆盖，找最小超集。
3. 如果最小超集也不存在，算两个模型 + 编排的成本。 具身 + GUI 是典型：一个具身模型 + 一个 GUI Agent + 一层任务编排。
4. 把“多一个模态”与“少一个模态”分开计价。 多一个模态通常是冗余，成本是推理；少一个模态是缺口，成本是集成。

一个具体例子：服务机器人要在屏幕上完成签到。你的模态集合是文本 + 图像 + 视频 + GUI + 具身。当前没有 6/6，最小超集也不存在（WITA 缺 GUI，Qwen3.8-Max 缺具身）。两条路径：

• 路径 A：WITA 负责看人与环境，Qwen3.8-Flash（¥1.2，GUI 87）负责点屏幕，中间用任务编排衔接。成本是双模型 + 编排。
• 路径 B：等一款 6/6。成本是时间，且不确定。

负空间告诉你：路径 A 不是妥协，是当前唯一可行的工程解。 这就是为什么“全模态”在产品上很诱人，在采购上却常常是双模型。

边界

• 模态声明来自 src/data/models.ts 的 modalities 字段，是厂商口径，不是本站实测。 某些模型可能通过适配器支持更多模态，但未在声明里。
• “GUI”与“具身”的定义有弹性。 我们把 GUI 定义为屏幕截图理解与坐标操作，把具身定义为物理身体/传感器输入；不同厂商的用法可能更宽。
• 32 款是中国样本，不是全球样本。 负空间只描述这个样本；全球市场可能有 6/6 或具身+GUI 的模型。
• 音频与具身没有独立评分。 这是本站的局限，不是厂商的。模态覆盖表不能替代能力评测。

复现

从 src/data/models.ts 解析每款模型的 modalities 数组，去重得到 8 种捆绑；共现矩阵按两两交集计数；负空间按 6 个模态的 64 种组合减去已存在集合得到。脚本随站点数据发布，扩样后重跑，空白图随更新日志更新。

如果这篇文章只留下一句话：多模态的竞争不在“谁勾得多”，在“谁覆盖了别人没有的那一格”。 而那一格，往往不在发布会的 PPT 里，在集成预算里。