8月29日，中文多模态视觉语言模型测评基准（SuperCLUE-VLM）8月榜单正式发布，字节跳动Doubao-Seed-1.6-thinking-250715、百度ERNIE-4.5-Turbo-VL多模态大模型分别以67.13分、66.47分的成绩位列总榜单第三、四位，并列位居国内模型第一（考虑到波动影响，该排行榜将相差1分以内的模型视为并列名次）。

SuperCLUE-VLM多模态视觉语言基准评测8月榜单。图源：SuperCLUE

本次评估覆盖Claude-Opus-4.1、Gemini-2.5-Pro、GPT-5(high)、ERNIE-4.5-Turbo-VL、Doubao-Seed-1.6-thinking、hunyuan-t1-vision、Qwen-V1-Max-Latest等国内外15款多模态模型。基于中文场景特点，SuperCLUE-VLM围绕基础认知、视觉推理和视觉应用三大核心维度进行评测，全面考察模型在真实任务场景下的能力。

测评结果显示，Gemini-2.5-Pro 以总分74.99分领先，OpenAI GPT-5(high) 以总分68.59分位居第二，字节跳动Doubao-Seed-1.6-thinking-250715、百度ERNIE-4.5-Turbo-VL-32k-preview 紧随其后，并列国内模型第一，显示了国内头部模型在视觉推理、视觉应用等高阶任务上的进步，凸显了中国在多模态大模型领域的竞争潜力。

据早前公开报道，6月30日百度开源文心4.5系列10款模型，其中ERNIE-4.5-VL视觉语言模具备复杂的图文与视频理解能力，支持超过100种语言交互，其跨模态能力覆盖文档处理、视频管理、学习解题等核心任务场景。百度方面表示，依托“芯片-框架-模型-应用”的全栈自研体系，百度持续推动文心大模型能力进化。同时得益于飞桨文心的联合优化，文心大模型的能力拓展和效率提升。