模型的形状：极差 4 到 39，32 款国产多模态的四种能力地形

排名是一个数，模型是一个向量

天梯榜把 8 个维度压成一个综合分，于是我们习惯用“第几名”讨论模型。但采购时你买的不是名次，是能力向量：它在哪些维度高、哪些维度低、低到什么程度。

这篇文章只做一件事：把 32 款模型的 8 维分数画成形状，按极差（最高分 − 最低分）分类，然后回答一个问题——为什么总榜前列几乎都是“平的”，而单项冠军几乎都是“尖的”。

极差有一个很好的性质：它完全不受权重影响。 你把文档权重从 18% 调到 50%，排名会变，极差一分不变。所以“形状”比“名次”更接近模型的固有属性；名次是权重假设的函数，形状是分数向量的几何。

四种地形

按极差分四档，只是描述性分箱，不是能力等级：

• 平原型：极差 ≤ 8。 8 个维度挤在一起，没有明显长板，也没有明显洞。
• 缓坡型：极差 9–19。 有一两个稍高的维度，但整体仍可当通用模型用。
• 深谷型：极差 20–29。 长板很明显，短板也很明显，通常需要搭配另一个模型。
• 断崖型：极差 ≥ 30。 一个维度接近满分，另一个维度接近不可用；它是零件，不是整机。

#	模型	综合	极差	最高维度	最低维度	地形
1	Qwen3.8-Max	95.4	7	感知 97	生成 90	平原
2	豆包 Seed 2.0 Pro	95.2	10	生态 98	生成 88	缓坡
3	Qwen3.5-397B	94.6	8	生态 98	生成 90	平原
4	GLM-5.3	92.4	12	生态 97	生成 85	缓坡
5	Kimi K3	92.3	11	感知 95	生成 84	缓坡
6	GLM-5	92.0	7	文档 95	视频 88	平原
7	MiMo-V2.5	90.1	7	视频 93	生成 86	平原
8	SenseNova 6.5 Pro	89.9	12	感知 94	生态 82	缓坡
9	LongCat-Next	89.2	22	文档 94	生态 72	深谷
10	Qwen3-Omni-30B	88.9	7	文档 91	Agent 84	平原
11	ERNIE 5.1	88.1	11	中文 93	Agent 82	缓坡
12	DeepSeek-V4.1-Flash	87.9	23	文档 95	生成 72	深谷
13	Qwen3.8-Flash	87.5	17	生态 97	生成 80	缓坡
14	Keye-VL-2.0	86.0	16	视频 94	生成 78	缓坡
15	Hunyuan-Vision	85.2	9	文档 89	Agent 80	缓坡
16	InternVL 4.0	85.0	30	感知 96	视频 66	断崖
17	Step-3	84.7	10	感知 88	生态 78	缓坡
18	Spark X2	84.5	11	中文 90	Agent 79	缓坡
19	MiniMax M2.5	83.8	4	Agent 86	视频 82	平原
20	DeepSeek-OCR 2	81.9	39	文档 99	生成 60	断崖
21	Pangu 5.5	81.6	17	文档 87	生成 70	缓坡
22	Ant Ling 2	80.8	32	中文 92	视频 60	断崖
23	WITA-Omni	80.6	32	视频 92	生态 60	断崖
24	Emu3.5	80.5	28	生成 98	Agent 70	深谷
25	Zidong Taichu 2.0	80.1	23	感知 88	生态 65	深谷
26	MiniCPM-V 4.5	79.6	14	文档 86	Agent 72	缓坡
27	Guanlan 3	78.2	32	感知 92	生成 60	断崖
28	JD Yanxi 2	78.0	34	中文 89	视频 55	断崖
29	Fuxi 2	77.5	20	中文 88	图表 68	深谷
30	NeuroXess-N1	77.2	26	中文 88	生态 62	深谷
31	BAGEL-2	76.9	22	生成 90	Agent 68	深谷
32	Congrong 2	76.1	26	感知 91	生成 65	断崖

分布：平原 6 款、缓坡 12 款、深谷 8 款、断崖 6 款。 极差最小的是 MiniMax M2.5（4 分），最大的是 DeepSeek-OCR 2（39 分），相差近 10 倍。

第一个反直觉：总榜奖励“平”

前 10 名的平均极差是 10.3，后 10 名（第 23–32）的平均极差是 25.7。总榜越靠前，形状越平。

这不是巧合，是加权和的数学性质：当 8 个维度都带正权重时，任何一项的极端低分都会拉低总和，而极端高分只能补回自己那一份权重。 一款 99/60 的模型，加权后大概率不如一款 90/90 的模型。

所以总榜冠军不是“最锋利的模型”，而是“最没有洞的模型”。Qwen3.8-Max 的极差只有 7，豆包 10，Qwen3.5 8——前三名都是平原或接近平原。它们的强大不来自某一项 99，而来自没有任何一项掉到 80 以下。

反过来，单项冠军几乎都在榜尾：

• 文档第一 DeepSeek-OCR 2（99）总榜第 20，极差 39；
• 生成第一 Emu3.5（98）总榜第 24，极差 28；
• 视频第一豆包（96）总榜第二，极差 10，是单项冠军里最接近平原的一个；
• 感知第一并列的 Qwen3.8-Max 与豆包，极差分别是 7 与 10，都接近平原；
• 中文第一与生态第一都是豆包（缓坡），生态并列第一的 Qwen3.5 是平原。

总榜和单项榜不是同一场比赛。 总榜比“没有短板”，单项榜比“长板有多长”。一份只给总榜的评测，会系统性地看不见断崖型模型的价值；一份只给单项榜的评测，会系统性地推荐一堆不能独立工作的零件。两个榜都要看，才知道自己在买整机还是买零件。

断崖型：六个“零件”

极差 ≥ 30 的六款模型，每一款都有一个接近满分的长板和一个接近不可用的洞：

DeepSeek-OCR 2（39）：文档 99 / 生成 60。 全站最锋利的零件。它的文档第一不是“略好”，是领先第二名 2 分、领先第五名 4 分；但生成 60 意味着它不能做任何创意输出。买它是买一台扫描仪，不是买一个助手。

JD Yanxi 2（34）：中文 89 / 视频 55。 零售场景的中文与商品图能力是真实的，但视频 55 是全站最低。拿它做直播切片理解会立刻翻车。

Ant Ling 2（32）：中文 92 / 视频 60。 金融票据与合规语料带来的中文优势，换来的是视频能力几乎为零。它的定位是“文本+票据”，不是“多模态通用”。

WITA-Omni（32）：视频 92 / 生态 60。 具身原生带来的视频时序能力，配上全站最低的生态分之一。它没有公开 API，采购入口是项目制；把它当模型 API 比价是类别错误。

Guanlan 3（32）：感知 92 / 生成 60。 安防监控的专用视觉，生成能力可以忽略。它卖的是行业授权，不是 token。

InternVL 4.0（30）：感知 96 / 视频 66。 开源感知上限，视频是明码标价的短板。它是开源栈里最好的“眼睛”，但不是完整的多模态大脑。

这六款模型的共同点：总榜名次都在 16 名以后，但在各自的长板上都进入前十（多数前七）。 它们不是“差模型”，是“单功能模型”。用总榜买它们会买错，用单项榜买它们才是对的。

第二个反直觉：三座“倒峰”

大多数模型的形状是“理解高、生成低”：看图、读文档、做 Agent 的分普遍高于画图。但有四款反过来，生成高于理解：

模型	生成	理解均分（感知/文档/图表/视频）	生成 − 理解
Emu3.5	98	81.5	+16.5
BAGEL-2	90	77.5	+12.5
Fuxi 2	82	77.0	+5.0
LongCat-Next	92	91.0	+1.0（准倒峰）

前三款是真正的“会画不会看”。Emu3.5 的生成 98 是全站第一，但它的感知 86、文档 82、视频 78、Agent 70；BAGEL-2 的生成 90，Agent 只有 68。它们的产品定位是创作工具，不是分析工具。

倒峰不是缺陷，是产品定位。 如果你要的是“根据一段文字生成一套视觉素材”，Emu3.5 比总榜前五都合适；如果你要的是“看懂一张发票并填进系统”，它的文档 82 会让你失望。形状告诉你它适合哪一端，总分不告诉你。

同分不同形：三组对照

总分接近但形状相反的模型，是最容易被总榜误导的地方：

LongCat-Next（89.2，极差 22）vs Qwen3-Omni-30B（88.9，极差 7）。 两者总分只差 0.3，但 LongCat 是“文档 94 + 生成 92 + 生态 72”的双峰，Omni 是“七项 84–91”的平原。要通用助手选 Omni；要文档与生成双修、且能接受生态短板选 LongCat。

Pangu 5.5（81.6，极差 17）vs MiniMax M2.5（83.8，极差 4）。 MiniMax 每一项都在 82–86，Pangu 是文档 87、生成 70。总分 MiniMax 更高，但如果你只要文档，Pangu 的 87 更合适；如果你要一个不挑任务的助手，MiniMax 的“没有洞”更值钱。

InternVL 4.0（85.0，极差 30）vs Hunyuan-Vision（85.2，极差 9）。 总分几乎相同，一个是“感知 96 / 视频 66”的开源眼睛，一个是“每项 80–89”的闭源通用件。前者适合自建感知栈，后者适合直接调用。

总分是标量，采购是向量。 两个总分相同的模型，可能在你的场景里一个能用、一个不能用。

形状比排名更稳定

权重扰动实验 显示：8 个维度权重各扰动 ±30%、重跑 2000 次，中后段的排名会大幅游走，有些模型的名次区间能跨 5–6 位。

但极差不会动。权重只改变维度的相对重要性，不改变维度分数本身。 你把视频权重从 14% 提到 40%，DeepSeek-OCR 2 的极差还是 39；你把它降到 4%，极差还是 39。排名是权重假设的函数，形状是分数向量的性质。

这给了一个实用的选型顺序：

1. 先看形状：你要整机还是零件？整机选平原/缓坡，零件选深谷/断崖。
2. 再看长板：零件的话，长板是否正好是你的场景？
3. 最后看排名：在形状匹配的候选里，用总分或你的自定义权重排序。

反过来——先看排名、再看形状——你会先被总榜的“均衡偏好”筛掉所有零件，然后奇怪为什么找不到一个文档 99 的模型。

采购读法

形状	适合买来做什么	不适合做什么	代表
平原	通用助手、单供应商标准、客服/知识库	需要单项极致的流水线	Qwen3.8-Max、Qwen3.5、MiniMax
缓坡	通用为主、某一项稍强	需要 99 分单点	豆包、GLM-5.3、Kimi
深谷	两三项专精、可搭配使用	单独承担全流程	LongCat、Emu3.5、DeepSeek-V4.1
断崖	流水线中的一个零件	整机、通用助手	OCR 2、InternVL、观澜、言犀

一个简单的规则：如果你不能用一句话说出“这个模型在我的系统里只负责哪一步”，就不要买断崖型。 断崖型的所有价值都来自那一步；离开那一步，它的总分没有意义。

边界

• 极差是 8 维分数的几何，不是架构属性。 两个极差相同的模型，可能是完全不同的架构；形状只描述分数向量。
• 极差忽略“哪一项高”。 同样极差 22 的 LongCat 与 BAGEL，长板一个是文档+生成，一个是生成；表格里的“最高/最低维度”必须一起读。
• 分数有误差。 B 级证据 ±1.5 分、C 级更大；极差在误差下可能移动 2–7 分。形状的排序在大档位（平原/断崖）上稳健，在相邻名次之间不稳健。
• 8 个维度是粗粒度。 真正的“形状”可能更复杂；这张表是可用公开数据能做的最细版本。

复现

极差 = 8 维最高分 − 最低分，直接从 src/data/models.ts 计算，不涉及权重、不涉及价格。表格按综合分排序，综合分用站内权重复算。脚本随站点数据发布；扩样后重跑，形状表随更新日志更新。

如果这篇文章只留下一句话：总榜买“没有洞”，单项榜买“最长的板”。 先知道自己买的是整机还是零件，再看排名。