国产大模型集体进化：给AI装上“眼睛”，正在改写行业排名

你有没有遇到过这样的场景——跟AI聊了半天，费尽口舌描述一张图表、一个页面长啥样，对方还是一头雾水？

别急，这个问题，整个AI行业都在想办法解决。过去一年，Coding和Agent能力疯狂改写大模型排名，而当AI开始接管越来越长的任务链，一个关键问题浮出水面：模型没有眼睛，怎么看得见自己干得好不好？

为什么说AI必须长“眼睛”？

🌟 视觉正在成为AI的“第六感”

今年1月，OpenAI发布的企业使用报告透露了一个细节：在研发岗位最常用的ChatGPT工具里，图片上传排到了第三名，仅次于搜索和数据分析。

你可能会想：这不就是个普通功能吗？

但恰恰是这个“普通功能”，正在悄悄改变大模型的竞争格局。一位多模态研究员直言：

“长链任务如果只通过代码层面的反馈，误差会不断累积，最终效果非常差。视觉是更准确的反馈，也更贴近用户意图。”

什么意思？简单说，AI写代码、做网页，干完了之后总得“验收”吧？以前靠文字反馈，误差像滚雪球一样越滚越大；现在让AI直接“看一眼”自己干的活儿，发现问题当场改，效率天差地别。

⚠️ 一个让研究员“震撼”的瞬间

一位研究员回忆起第一次让GPT-5.6 Sol操作桌面端Agent时的感受，用了两个字形容：震撼。

这个AI不仅自己打开浏览器，还能处理认证与权限，把本地代码推上平台，甚至直接登录训练平台启动任务。评价一句“知道很多诀窍”——为了完成目标，几乎把所有能用的办法都使上了。

问题来了：如果没有视觉能力，它怎么知道自己登录成功了没有？怎么确认页面加载完毕？

没错，靠的就是“眼睛”。

国产大模型，正在分岔路口

💡 一条路：给模型“装眼睛”到底贵不贵？

实话实说，给AI装视觉，不是加个插头那么简单。

图像和文字的数据结构、信息密度、学习速度完全不同。当它们共同训练同一套参数时，视觉数据会和文本、代码、数学推理“抢地盘”，不同训练目标还会互相干扰。

一位研究员摊牌了：

“任务越多，越难平衡。如果做统一原生多模态模型，付出的资源肯定是1+1大于2。”

更大的代价在于算力。视觉token越多、图像分辨率越高，训练和推理的开销就越大。对于只需读取几个字段的任务，让通用大模型反复“看”整张图，还真不一定比专业OCR划算。

🔥 两种答案，一场豪赌

上个月，月之暗面交出了K3——总参数2.8万亿的“水桶模型”，同时死磕视觉、Coding和Agent能力。结果相当能打：在Arena Frontend Code榜单上以1679分登顶，浏览器开发平台Puter制造了5处视觉偏差，K3对照目标页和运行页截图，居然全部找出，零误报。

这背后有个专业玩法叫“vision in the loop”：模型写完代码后查看页面，再根据视觉结果继续调整。说白了，就是AI边干边验收，干完再修，直到满意为止。

而就在K3发布几周后，DeepSeek给出了另一种答案。V4-Flash总参数只有K3的十分之一，不装视觉，也不大幅扩参数，光靠优化后训练，就在多项Coding和Agent评测中大杀四方，在Arena WebDev榜单上冲到1577分，直逼第一梯队。

一句话总结：

• 有的公司押注“看得多、干得全”的大而全路线（阿里、字节也在跟进）；
• 有的公司坚持“精兵简政”，先靠后训练把核心能力做到极致。

💬 路线之争，本质是资源分配之争

有意思的是，这场分歧的答案，可能不全在技术上。

一位业内人士说得直白：

“每家公司选择多大的模型、选择什么卖点，最后可能都是那几个人，或者说是老板说了算。”

核心团队的研究背景、产品场景和训练成本，都在影响优先级。猎头们已经嗅到了风向——K3发布后，月之暗面公司附近的咖啡馆里，多了不少来挖“多模态”人才的猎头。

但这不意味着所有公司都会all in。多位业内人士的共识是：Coding才是上牌桌的门槛，如果Coding冲不上去，可能就没有未来。

两个时钟，一场长跑

这场竞争像是同时拨动了两个时钟。

• 一个走得飞快：Coding和Agent的排名，几个月甚至几周就变一次；
• 一个走得缓慢：模型从语言走向真正理解世界，需要更漫长的进化周期。

前一个时钟，决定谁跟得上眼下的速度；后一个时钟，或许决定这些公司最终能抵达哪里。

眼下没有统一答案，但方向已经鲜明——不管是“先装眼睛再赶路”，还是“先把脚下的路跑通”，所有玩家都在为同一个终点蓄力。

而那个终点，可能是真正看得懂、做得成、改得动的AI。

你说，这个“眼睛”，该不该现在就装？

如果觉得这篇文章讲明白了，点个“在看”，也欢迎分享给同样关注AI的朋友～