一句话看懂：Artificial Analysis 于 2026 年 11 月 6 日发布 VIALS-AA 科学图像推理评测，Gemini 4 Carbon (high) 以 64% 得分居首，但模型解题路径、调用成本和稳定性差异显著，高分不等于稳定可靠。
事件核心：发生了什么
VIALS-AA 是 Artificial Analysis 基于 Handshake AI 的 VIALS 基准所做的实现，用 161 道任务测试模型能否读懂胶体电泳、质粒酶切等科学图像并据此作答。每道题重复三次，统一使用其开源工具 Stirrup，允许模型执行代码、放大或裁剪图像、测量像素。结果取三次全部正确（pass^3）的比例。
Gemini 4 Carbon (high) 以 64% 领先，在 161 题中有 103 题三次全对，比 GPT-6 Astra (max) 多 2 题。GPT-6 Luna (max)、GPT-6.1 Sol (max)、Gemini 4 Carbon 等构成得分-成本帕累托前沿。另一组数据更值得注意：Kimi K3.1 Pro (max) 与 GPT-6 Astra (max) 的 pass@3 都约七成五，但严格要求三次全对后，前者只有 45%，后者为 63%。单题成本从 GPT-6 Luna 的 0.02 美元到 Grok 4.7 的 1.77 美元，相差近 99 倍。
为什么重要
这组结果把“多模态能看图”推进到“能否稳定产出可核查结论”。科学场景通常不允许一次碰巧答对，重复一致性因此比单次最高分更有参考价值。同时，工具调用次数并不与准确率成正比：Claude Sonnet 5.5 每题工具调用量是 GPT-6.1 Sol 的 3.6 倍，得分却相近（60% 对 59%）。这说明模型能力差异既体现在视觉判断，也体现在是否知道何时停止检查，成本效率会成为实际部署的重要变量。
对用户/开发者/创作者的影响
开发者若要把多模态模型接入科研辅助、实验记录核查或图像质检类 AI 应用，应优先看 pass^3 和单任务成本，而不是排行榜单次分数。提示词与工具框架也需设计“防止过度检查”的预算约束。对企业采购方而言，GPT-6.1 Sol 以约三十分之一的单题成本接近 Claude Opus 5.5 的表现，说明闭源模型之间的性价比差距已明显拉开。目前公开信息显示，榜单只代表 2026 年 11 月 6 日及该评测条件下的结果，后续模型更新可能改变排名。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
1. 官方是否公布更多任务的完整轨迹，解释“检查很多仍答错”的失败模式。2. 各家模型是否针对科学图像推出专门的工具调用或推理模式。3. 该基准是否扩展任务量并引入第三方复现，从而让排名具备长期参考价值。
