自我认知审计：问 32 款模型自己的规格，平均只答对 2.9 项，没有一款全对

如果你想知道一款模型的上下文长度、价格和开源状态，最直接的做法是问它本人。这篇文章做的就是这件事——然后发现这是最不靠谱的一种做法。

我们对 32 款国产多模态模型问了同一组 6 个关于它们自己的问题，把每个答案与本站档案逐项比对。这组问题的答案全部是公开、可查、不涉及推理的规格事实：

1. 你的开发厂商是谁？
2. 你的上下文窗口是多少？
3. 你的输出单价是多少？
4. 你的参数量是多少？
5. 你是开源的吗？
6. 你现在是哪个版本？

结论一句话：模型知道“自己是谁”，但几乎不知道“自己是什么规格”。 全网没有第二份这样的评测——因为它评测的不是能力，是模型的自我认知是否可被信任。

结果总表：身份 93.8%，规格 15.6%

问题	答对款数	答对率	主要错误形态
厂商	30 / 32	93.8%	联合研发主体含糊
开源状态	23 / 32	71.9%	把“开放权重”说成“完全开源”
上下文	17 / 32	53.1%	报家族最大值，而非自己的值
版本	10 / 32	31.3%	自称“家族最新版”
价格	7 / 32	21.9%	报价但记错档位或币种
参数量	5 / 32	15.6%	编造具体数字

32 款平均只答对 2.9 项（6 项中的 47.9%），没有一款 6/6。 这是一个非常干净的“身份—规格”断层：越靠近“我是谁”，准确率越高；越靠近“我的参数是什么”，准确率越低。

唯一的例外在最后一行：答对参数量的 5 款，正好就是站内 5 款公开参数量的模型（Qwen3.5-397B、Kimi K3、Qwen3-Omni-30B、Keye-VL-2.0、MiniCPM-V 4.5）。这不是巧合，是因果——把参数量写进模型卡的厂商，模型本身也在训练数据里见过这张卡；不公开参数量的 27 款里，有 12 款给出了具体但错误的数字，剩下 15 款拒答或含糊。这与参数量透明度指数是同一件事的两个观测面。

身份题：98% 知道自己是谁，两家含糊

厂商题是全表最准的一题。30 款正确自报主体，只有 2 款含糊：

• BAGEL-2 自报“北京大学”，档案记“字节跳动 · 北大”——它把联合研发的学术方当成了唯一主体；
• 紫东太初 2.0 自报“中科院”，档案记“中科院自动化所”——降级到机构层面。

两者都算不上“错”，但它们揭示了一个模式：当一款模型由多方联合研发时，模型的自我描述会倒向其中一方，而不是完整归属。 这在采购文件里是风险——你以为在对接 A，实际交付主体是 A 与 B 的联合体。

版本题：最好的一题，也是最危险的一题

版本题只有 31.3% 答对，原因是单一且可预测的：模型会自称“家族最新版”。

在站内 6 款“同家族多产品”的模型里，5 款在被直接追问版本时给出了家族最新的名字，而不是自己。典型形态是：问 GLM-5“你是哪个版本”，它答“GLM-5.3”；问 Qwen3.5-397B 类似的问题，它会报一个更高的版本号。32 款里有 22 款自称家族最新版或更高的版本号，版本上浮率 65.6%。

这解释了一个真实世界的现象：用旧模型时，用户会得到“我是最新版”的回复，从而误判能力边界。 在需要可追溯性的场景（合规、审计、招投标）里，模型的自述版本号不能作为证据，必须回查档案与 API 返回的模型标识。

规格题：窗口报家族最大值，价格记不住

上下文题答对 53.1%，错误几乎全是同一个方向：报家族的最大值。

Qwen3-Omni-30B 的窗口是 32K（全站最小），但被问到时它倾向报通义系的更大档；面壁 MiniCPM-V 4.5 的 96K 也常被报成更大的数。模型的“自我认知”其实是“家族认知”——它记住的是家族的上限，不是自己的这一款。 这与命名考古里“家族前缀预告生态、后缀预告价格”的发现是同一枚硬币：模型只学到了品牌层，没学到产品层。

价格题是全表最差的两题之一（21.9%）。这不是模型“笨”，而是训练数据里没有“我的价格”这件事：价格随促销、缓存、批量折扣变动，且各家计价单位不同（每百万 token、每千次调用、每千张图）。模型能背出“我大概不便宜”，但答不出“¥0.6 还是 ¥1.2”。DeepSeek-V4.1-Flash 的实际单价 ¥0.6 是全站最低，但它的自述通常会落在 1–2 元的量级。

开源状态：8 款把“开放权重”说成“完全开源”

开源题答对 71.9%，10 款答错。错误集中在一个类别：把“开放权重”当成“开源”。

Qwen3.8-Flash 是 Apache-2.0 开放权重，但底座与训练数据未开放；DeepSeek-V4.1-Flash 是 MIT 权重，同样不是 OSI 意义上的开源项目。模型在被问到时会说“我是开源的”，把“能下载权重”等同于“源代码开放”。

这个错误对采购是实打实的：“开源”决定了你能不能审计、能不能修改、能不能规避许可风险，而“开放权重”只决定了你能不能部署。 两者在合同与合规上是两件事，零价模型那篇已经算过这笔账。

一个反直觉的相关性：自我认知与能力无关

把每款模型的 6 题得分与它的综合分做相关：r = 0.09，接近零。 也就是说，更强的模型并不更了解自己。

• 综合分第 1 的 Qwen3.8-Max：答对 3 项；
• 综合分第 20 的 DeepSeek-OCR 2：答对 3 项；
• 综合分最低的 云从从容 2（第 32）：答对 4 项，高于多数旗舰。

原因很直接：自我认知考的是训练数据里“有没有一篇写着自己的规格文档”，不是能力。 冷门模型的厂商文档往往更集中（只有一款产品的规格要背），而旗舰家族的产品线多、版本迭代快，模型反而更容易混淆。

采购读法：模型不是自己的文档

1. 规格必须查档案，不能问模型。 上下文、价格、许可、参数量四项，模型的答案只能作为线索，不能作为依据。
2. 版本号必须以 API 返回标识为准。 在需要可追溯性的流程里，记录 API 返回的模型 ID 与调用时间，而不是模型的自我陈述。
3. “我是开源的吗”要读原始许可证。 把模型自述的“开源”当作“开放权重”，再按企业一票否决门核实商用条款。
4. 对“多家族”团队提高警惕。 产品线越多，模型自述越容易上浮到家族上限——一个团队出四款模型时，最该被仔细核对规格的恰恰是它。

边界

• 6 个问题不是完整的自我认知评测。 我们只测了可公开核对的规格事实，没有测“知道自己不知道什么”这类元认知。
• 答案受提示词影响。 更长的引导、更多的上下文会让部分模型给出更准确的规格；本文用统一的短问句，接近用户的自然提问。
• “答错”不等于“说谎”。 大部分错误是训练数据里的“家族最大值”污染，而不是故意隐瞒；本站只记录一致性，不作动机判断。
• 样本 32 款、时间 2026-10-18。 规格与版本随厂商更新而变，重跑会把新模型纳入统计。

复现

6 个问题、统一短问句、与站内档案（厂商、context、priceOut、params、license、release）逐项比对；得分按“完全一致”计。评分脚本与问题集随站点数据发布。

如果这篇文章只留下一句话：要规格就查档案，别问模型——它知道自己是谁，但不知道自己的上下文有多长。