AI 评测与排行榜，分别告诉你什么
分清评测基准、一次评测运行与排行榜，用它们回答各自适合的问题。
LLM Stats
MuirBench
A comprehensive benchmark for robust multi-image understanding capabilities of multimodal LLMs. Consists of 12 diverse multi-image tasks involving 10 categories of multi-image relations (e.g., multiview, temporal relations, narrative, complementary). Comprises 11,264 images and 2,600 multiple-choice questions created in a pairwise manner, where each standard instance is paired with an unanswerable variant for reliable assessment.
评测信息与证据
- 来源
- LLM Stats
- 发布者
- 未收录
- 评测发布日期
- 未收录
- 采集日期
- 2026-08-17
- 模态
- multimodal
本站保留来源报告的结果，不代表独立复测。请先核对任务版本、评测协议、分数单位和报告日期；不同运行条件不能直接合并为统一排名。
原始资料
报告成绩 12
按来源中的观察顺序展示，顺序不代表排名。日期保留原始精度。
| 模型 | 数值 | 单位 | 协议 | 报告日期与口径 | 来源 |
|---|---|---|---|---|---|
| Qwen3 VL 32B Thinking | 0.803 | 未收录 | 未收录 | 2025-09-22 · model_announcement | LLM Stats |
| Qwen3 VL 235B A22B Thinking | 0.801 | 未收录 | 未收录 | 2025-09-22 · model_announcement | LLM Stats |
| Qwen3 VL 30B A3B Thinking | 0.776 | 未收录 | 未收录 | 2025-09-22 · model_announcement | LLM Stats |
| Qwen3 VL 8B Thinking | 0.768 | 未收录 | 未收录 | 2025-09-22 · model_announcement | LLM Stats |
| Qwen3 VL 4B Thinking | 0.75 | 未收录 | 未收录 | 2025-09-22 · model_announcement | LLM Stats |
| Qwen3 VL 235B A22B Instruct | 0.728 | 未收录 | 未收录 | 2025-09-22 · model_announcement | LLM Stats |
| Qwen3 VL 32B Instruct | 0.728 | 未收录 | 未收录 | 2025-09-22 · model_announcement | LLM Stats |
| Qwen3 VL 8B Instruct | 0.644 | 未收录 | 未收录 | 2025-09-22 · model_announcement | LLM Stats |
| Qwen3 VL 4B Instruct | 0.638 | 未收录 | 未收录 | 2025-09-22 · model_announcement | LLM Stats |
| Qwen3 VL 30B A3B Instruct | 0.629 | 未收录 | 未收录 | 2025-09-22 · model_announcement | LLM Stats |
| Qwen2.5-Omni-7B | 0.592 | 未收录 | 未收录 | 2025-03-27 · model_announcement | LLM Stats |
| LFM2.5-VL-3B | 0.583 | 未收录 | 未收录 | 2026-08-12 · model_announcement | LLM Stats |