原生度分级 N0–N4：只留“真原生”，2026 天梯榜会重排成什么样

2026 年 10 月这份 2026 中国国产原生多模态大模型对比排名天梯榜 收了 32 款模型，而它们每一款在发布会上都被称作“原生多模态”。这是一个会计学问题：“原生”是营销部门最便宜的形容词——它不增加任何成本，却能让参数表显得先进一代。把宣传语拿掉、只看架构证据，这 32 款其实分属五个不同世代，最靠前和最靠后之间差着三代。

这篇文章不复述“什么是原生多模态”。它做三件别处没有的事：给出一套 N0 到 N4 的可证伪判据、把 32 款逐一归档、再按归档结果重排一次天梯榜，看排名会变成什么样。

两套会计学：发布会口径与架构口径

同一个词在两套口径下含义完全不同，这是全部争议的来源。

	发布会口径	架构口径
“原生”的定义	能同时处理文字和图片	视觉与文本共享同一套 token 空间与训练目标
证据来源	发布稿与 PPT	tokenizer 细节、解码头共享、视觉塔是否参与训练
可证伪性	不可证伪（“能处理”没有门槛）	四问定级，每问可观测
典型话术	“原生多模态，一个模型全搞定”	“统一离散视觉 token，理解与生成同源”

发布会口径把三代差距拉平成一句宣传语。架构口径的判据必须可证伪，否则只是另一个形容词。我们用四问定级：

1. 图像是否被切成离散 token，进入与文本同一个词表？
2. 理解与生成是否共享同一个解码头？
3. 梯度能否从输出回传到视觉编码器（视觉塔是否真的被训练过）？
4. 音频与视频是否与文本共享同一套位置编码与时钟对齐？

等级	定义	通过的判据	典型失败模式
N4	全模态统一 token 空间	四问全过	单模态上限受离散压缩率限制
N3	统一离散视觉 token，理解与生成同源	过 1、2	像素级细节弱于连续特征
N2	早期融合连续特征，视觉塔参与联合训练	只过 3	跨模态长链推理丢指代
N1	适配器拼接，视觉塔冻结	三问都不过，仅接口收图	多轮编辑主体漂移
N0	纯文本模型 + 外部视觉管线	视觉在模型之外	图像在进模型前已被压成文字

N2 与 N1 的分界不在“能不能看图”，而在视觉塔有没有被训练过。这是最容易被发布会话术抹平的一档，也是本次归档里争议最多的位置。

32 款模型的归档结果

分布是 N4 两款、N3 十款、N2 十五款、N1 四款、N0 一款——本期新增的六款行业模型全部落在 N2：连续特征早期融合是行业模型最省事的架构选择。

原生度	模型	总榜名次	定级依据
N4	Qwen3-Omni-30B	10	音视频与文本共享 token 空间，官方披露统一时钟对齐
N4	WITA-Omni Preview	22	五模态含具身，DailyOmni 85.21，音频非外挂 ASR
N3	Qwen3.8-Max	1	统一视觉 tokenizer，理解与生成同解码头
N3	Qwen3.5-397B	3	同代 tokenizer 设计，32 语言 OCR 在 token 层学字形
N3	GLM-5.3	4	昇腾全栈训练，视觉塔参与联合优化
N3	Kimi K3	5	首次把原生视觉做进主模型，CharXiv 84.8
N3	LongCat-Next	9	28× 压缩离散视觉，OmniDocBench 0.152
N3	DeepSeek-V4.1-Flash	12	离散视觉 token 与文本同词表，MIT 开放权重
N3	Qwen3.8-Flash	13	与 Max 同代 tokenizer 的小尺寸版本
N3	Emu3.5	23	纯 next-token 路线，图文视频同空间，无音频
N3	BAGEL-2	26	理解生成同源，模态只覆盖图文
N3	脑虎 NeuroXess-N1	25	神经信号与图像统一离散 token 空间，唯一参赛者
N2	豆包 Seed 2.0 Pro	2	连续视觉特征 + 早期融合，未见统一离散 tokenizer 披露
N2	GLM-5	6	视觉塔参与训练，生成走独立头
N2	MiMo-V2.5	7	早期融合，公开材料未描述统一输出头
N2	SenseNova 6.5 Pro	8	连续特征融合，专业视觉强
N2	ERNIE 5.1	11	早期融合，视频按帧编码
N2	Keye-VL-2.0	14	3B 激活的连续特征路线
N2	Step-3	17	四模态接口，架构细节未公开
N2	书生 InternVL 4.0	16	ViT 早期融合，视觉塔联合微调
N2	MiniCPM-V 4.5	24	8B 端侧，视觉塔联合微调
N2	海康观澜 3	27	安防视频专用，连续特征 + 早期融合
N2	云从从容 2	32	CV 起家，视觉塔为主
N2	紫东太初 2.0	25	学院派全模态，连续融合
N2	蚂蚁百灵 Ling 2	22	金融场景优化，连续融合
N2	京东言犀 2	28	零售场景优化，连续融合
N2	网易伏羲 2	29	内容场景优化，连续融合
N1	混元 Hunyuan-Vision	15	适配器拼接，视觉塔冻结（暂定）
N1	讯飞星火 X2	18	语音走独立 ASR/TTS 管线
N1	MiniMax M2.5	19	接口覆盖四模态，架构未披露（暂定）
N1	DeepSeek-OCR 2	20	版面解析专用，视觉编码器独立于语言塔
N0	华为盘古 5.5	21	行业视觉能力在产品层由独立管线提供（暂定）

标“暂定”的四款是因为厂商没有公开足够的架构细节，我们按可观测行为定级：能否单轮交错输出图文、多轮编辑是否保持主体、去掉视觉输入后能力是否塌陷。判定探针见下文。

影子天梯榜：只收 N3 以上会怎样

这是本文的核心产物。如果把 N2 及以下全部排除，天梯榜从 32 款缩到 12 款，排名如下：

影子名次	模型	综合分	原生度	总榜原名次
1	Qwen3.8-Max	95.4	N3	1
2	Qwen3.5-397B	94.6	N3	3
3	GLM-5.3	92.4	N3	4
4	Kimi K3	92.3	N3	5
5	LongCat-Next	89.2	N3	9
6	Qwen3-Omni-30B	88.9	N4	10
7	DeepSeek-V4.1-Flash	87.9	N3	12
8	Qwen3.8-Flash	87.5	N3	13
9	WITA-Omni Preview	80.6	N4	22
10	Emu3.5	80.5	N3	23
11	脑虎 NeuroXess-N1	77.2	N3	25
12	BAGEL-2	76.9	N3	26

三个结论：

• 榜首没有变。 Qwen3.8-Max 在两套口径下都是第一，说明它的领先不依赖“原生”这个前提。
• 总榜第 2 名的豆包 Seed 2.0 Pro 直接出局。 一个 S+ 梯队、感知 97、中文 97 的模型，在只认离散 token 的口径下没有位置。
• A+ 梯队被清空。 MiMo-V2.5（第 7）与 SenseNova 6.5 Pro（第 8）双双出局，第 4 到第 8 名整段重排；两款 Flash 从十几名进入前八。
• 影子榜的末位出现了唯一一款冷门模型。 脑虎 NeuroXess-N1 以 N3 身份进入影子榜——它是全站唯一把神经信号纳入同一 token 空间的模型，也是影子榜里唯一没有公开 API 的一款。影子榜的最后两名（脑虎 77.2、BAGEL-2 76.9）都是 9 分档的“架构先进但能力受限”标本：原生度保住了它们的分类，保不住它们的排名。

被排除的那几款，凭什么排那么高

这才是影子榜真正的用途：它不是要否定豆包，而是要说清楚豆包的分数是从哪里来的。

豆包 Seed 2.0 Pro 的感知 97、中文 97、视频 96，全部建立在连续视觉特征之上。连续特征的好处是像素级细节保真度高——菜名、褶皱票面、古建纹样这类要看细节的任务，它比离散 token 路线更稳。它输掉的是“理解与生成同源”带来的多轮编辑一致性与跨模态长链推理。

所以正确的读法不是“N2 比 N3 差”，而是：

N2 的分数集中在感知类维度，N3 的分数集中在生成与 Agent 类维度。天梯榜的权重（感知 20、文档 18、图表/视频/Agent 各 14、生成 6）恰好偏向感知，这是豆包能排到第 2 的直接原因。

把生成权重从 6% 提到 30%，N3 阵营会立刻上位——这个实验我们在 权重扰动 2000 次 里做过，Emu3.5 一款就上升 10 名。

书生 InternVL 4.0 是另一个值得单独说的 N2 样本：感知 96 是闭源旗舰之下开放权重的最高分，但视频只有 66。它的架构选择（ViT 早期融合）决定了它把全部预算都花在了单帧理解上——这在开源社区是理性的取舍，在天梯榜上就是 22 个名次的内部跨度（感知第 4 到视频第 26）。

原生度的代价：离散化到底损失了什么

“原生一定更强”是另一种话术。离散化把图像压成有限词表，必然损失像素级细节。LongCat-Next 在 2026 年 3 月给出的反例很有价值：它用 28× 压缩的离散视觉，在 OmniDocBench 上做到 0.152，反而优于同期专用视觉模型。这说明离散必然弱于连续并不成立，关键在 tokenizer 的语义完备性，而不是压缩率数字本身。

但反例只覆盖印刷体文档。在需要看纹理的场景——工业质检的细微划痕、中医舌象的苔色过渡、文物纹样的笔触——连续特征仍然占优。这也解释了为什么在 没人测的中文文档天梯 里，工业质检与舌象两类的第一名都不是 N3 模型。

脑虎 NeuroXess-N1 提供了第三种样本：它的离散化对象不是自然图像，是 EEG/fNIRS 时序信号。神经信号的“像素级细节”本来就不存在，离散 token 化几乎没有信息损失——这是 N3 架构在一个全新模态上的零成本迁移。原生度的得失永远依赖模态，不依赖口号。

十分钟内自己定级的五个探针

不看技术报告也能定级，代价是精度下降一档。五个探针按顺序做：

1. 交错输出探针：要求“先描述这张图，然后画一张改动后的版本，再解释改了什么”。能在同一轮里完成图文交错的至少 N3；需要先调生成接口再拼回来的，N2 及以下。
2. 多轮编辑一致性探针：对同一张图连续下三次编辑指令，看主体是否漂移。三次不漂移指向共享状态（N3+），第二次就开始变脸指向每轮重新编码（N1）。
3. 盲视觉塌陷探针：把图片换成一句等长的文字描述，比较输出质量落差。落差极小说明模型本来就没怎么用视觉信息，是 N0/N1 的强信号。
4. 音画对齐探针（判 N4）：给一段有人说话的视频，问“第几秒谁说了什么”。能给出秒级对齐的，音频才可能在同一 token 空间里；只能复述内容的，音频是外挂 ASR。
5. 跨模态输入探针（判冷门架构）：喂一段非标准模态的时序信号（EEG、肌电、雷达回波），问“这段信号对应哪个语义标签”。能直接回答的，该模态在 token 空间内；要求先转成文字或图片再问的，是外挂管线。本站只有一款模型能过这一探针，它的档案页在 这里。

四个探针都不需要厂商配合，也不需要跑基准。它们判不出 N2 与 N3 的全部差别，但足以把 N0/N1 与 N3/N4 分开——而这一刀恰好是采购时最该关心的。

为什么原生度不进综合分

这是被问得最多的问题，答案是会造成双重计分。

架构带来的能力收益已经体现在维度分里：N3 模型在生成维度普遍更高，N4 模型在视频维度普遍更高。再给原生度加一次分，等于把同一件事算两遍，会让排名向某一种技术路线倾斜，而不是向能力倾斜。

所以本站的做法是：原生度单独公布，作为门槛而不是加分项。如果你的业务需要多轮图像编辑或音画对齐，直接把 N2 及以下筛掉；如果只做单轮图像理解，N2 反而是性价比更高的一档。

两种用法都可以在 选型器 里直接切换。分级明细与每款模型的定级依据，见各自的模型档案页。

归档会随证据变化

四款“暂定”的模型一旦有厂商公开架构细节，或者社区做出可复现的消融，我们会改档并在 更新日志 里写明变更原因。原生度分级不是终身制，它和天梯榜上的每一个分数一样，只是当前公开证据下的一个快照。