腾讯混元视觉模型跻身全球 Top 3，国内排名第一

10 月 7 日，国际大模型竞技场 LMArena 发布最新视觉模型榜单，腾讯混元最新视觉模型 Hunyuan-Vision-1.5-Thinking 表现抢眼，取得全球第 3，国内第 1 的好成绩。

Lmarena 第一时间在 X 上宣布了这一消息，并写道：

评估具有视觉功能的人工智能模型与文本相比增加了新的复杂性。为了表现良好，模型必须从图像中提取信息，理解这些信息，并将视觉信息与文本结合，应用于多种用例，例如：图表解释、文档解析、根据视觉内容建议标题和文案，以及解决几何问题的能力等等。

LMArena 是美国加州大学伯克利分校推出的创新 AI 模型评估平台，评测核心方法是基于人类真实偏好的“盲测”机制，让用户对不同 AI 模型的回答进行匿名投票，衡量模型的表现。由于该平台访问量巨大，并且评测机制贴近实际体验，是目前国际上最权威的竞技场榜单。

10 月 5 日发布的 LMArena 图像生成榜单中，混元图像 3.0 居第一位，超过 nano-banana 等顶尖闭源模型。

Hunyuan-Vision-1.5-Thinking 具备领先的多语言多模态理解和推理能力，能够通过多轮的反思，更加深入地理解所“看”到的内容，完成相应的指令任务。

此外，模型在更高级的任务，如视觉推理和 3D 空间理解也有比较好的表现。比如，在多模态理解理解场景中，模型可以准确识别图片中的花：

也可以直接用西班牙语进行提问，识别原文为英文的图表：

推理能力是视觉模型升级的一个核心方向，让模型能够在多轮思考中学会推理，进而得到正确答案，对于提升模型识别的准确性有重要意义。例如，下面两个例子就展示了模型怎么通过图片细节逐渐推理图片信息，最终给出全面的答案：

Hunyuan-Vision-1.5-Thinking 在视觉任务上的优秀表现，得益于技术团队在模型架构上的不断升级，据了解，混元相关模型将在 10 月底开源和公开技术报告。

混元视觉模型家族拥有多个适用于不同场景的模型，此前已经推出混元 T1-Vision、混元 TurboS-Vision 和混元 Large-Visio 模型，并且均在国内外各类排行榜，例如 LMArena Vision、SuperCLUE-VLM 以及 CompassArena 上有不俗表现。

视觉信息理解是大模型走向通用模型不可或缺的一环，基于此前的积累，腾讯混元团队将持续在这一方向上努力，通过技术创新带来更多的多模态视觉模型和应用。