多模态模型能把一张图讲得头头是道，和它有没有稳定看清，是两回事。

Moonshot AI 刚发布 PerceptionBench，题型来自40多个现有基准中的真实失败，团队一路追到最早出错的视觉步骤，再归成10类原子感知能力和3000道已验证题。官方测了16个模型，没有一个超过60%准确率，最高的GPT-5.6-Sol是59.7%，Kimi-K3是58.5%。

还有一组结果更扎眼：不少第一次答对的问题，重复问一次就复现不了。一次答对，可能真的只是猜中了。

所以在文档识别、图表分析和界面操作里，拿一张样图测通还远远不够。更稳妥的做法，是把自己的关键图片按计数、OCR、定位和幻觉拆开，同一题重复几轮，再决定哪些步骤可以交给Agent自动执行。看错一次如果会触发后续操作，整体榜单再好看，也不能替流程兜底。