靠著吉卜力，OpenAI 又大出了一把風頭。但實際在過去的一周里，有不少模型發布了版本更新，包括 DeepSeek，Gemini，Qwen。個個都是在推理上有所增強，以及多模態的支持。

每次有新的推理模型升級或者出現，怎么領略它們的能力很棘手。說白了，老讓它們做題也沒什么意思。

周末打游戲的時候，我忽然意識到：游戲不就是最好的試驗場景嗎？

版本齊齊更新，推理能力再上一層

Qwen 在周五的凌晨發布了全新自家視覺推理模型的全新版本 QvQ-Max。不僅能夠「看懂」圖片和視頻里的內容，還能結合這些信息進行分析、推理，甚至給出解決方案。

Gemini 這邊，則是三月 25 日推出的 2.5 Pro Experimental，推理、寫代碼以及多模態理解都有全面提高。在數學和科學基準測試（如 GPQA 和 AIME 2025）中排名超越 OpenAI 的 03 mini。

帶有 100 萬個標記上下文窗口，能夠理解龐大的數據集并處理來自不同信息源的復雜問題，包括文本、音頻、圖像、視頻甚至整個代碼存儲庫。

再說一遍：推理能力對于模型而言，不只是解解數學題而已。更重要的是， 讓推理作為底層能力，惠及模型在所有形態的任務上的處理，包括跨模態的理解。

這也是為什么各家都很重視推理能力，理論上它是 AGI 真正的基石。

怎么，打游戲很難嗎？

游戲是一個「 既不復雜又挺復雜」的考核場景。不復雜的原因很簡單：現階段模型動不了手，所有的操控還得是玩家自己來。

「挺復雜」又在于，它是多模態素材，文字、圖像、視覺效果應有盡有。

一種潛在的使用場景是，讓模型 能通過讀取游戲記錄，根據相對應的關卡，制定作戰計劃。 這意味著不僅要搞懂所有的素材，還要有分析和計算的能力。

一下子讓模型出攻略，步子邁得有點太大了。還是先從看懂游戲錄屏，并且整理數字開始吧，不算太難。

我給 Gemini 和 Qwen 都上傳了相同的游戲錄屏，然后讓它們整理所有出現的傷害數值。

這里出現了一些不同：Gemini 對模糊指令的理解更好一點，我只需要寫到「整理成表格」就好，但 Qwen 需要更明確一點，否則它最終出具的表格，什么樣式的都有。

游戲樣本選擇了來自 b 站 up 主@司馬玄清在《重返未來：1999》的一段錄屏。 主要原因是， 這是一款卡牌游戲，形式簡單。 且在這個視頻里背景清晰，數值能夠完全展示出來，同時對用到的技能也有文字展示。

上傳開始，Qwen 不花多少時間就成功接收，并開始處理。Gemini 的上傳很是花了一些時間，整體上在兩三分鐘左右，傳上去之后還要花個半分鐘左右分析。

兩邊都提供了思維鏈，Qwen 給的是中文，Gemini 的思維鏈默認是英文，而且長非常非常多。

思維鏈的不同也反映在了最后給出的表格上，從第一眼看兩邊的數值就不一樣了。

核查了一下發現，Qwen 是 每五秒統計一次，收錄讀秒時的畫面顯示的內容，老實說這個思路準確度是會有點問題。

Gemini 給出了很長的表格，雖然沒有明確的時間戳，但是對傷害數值的統計準確率高出了不少，粗略地看，基本沒有瞎編的數字。

仔細核查一下，Gemini 的抓取數值的準確度確實是超出預期的，首先它能連續「觀看」視頻內容并進行分析。

同時還能兼顧多個行動主體，比如我方受到攻擊時還能區分是哪個角色被攻擊、傷害多少。隨機抽查幾個數字，正確率挺高。

當然也不是百分百準確：比如對連擊的抓取不行，玩家打出一連串攻擊時，只能抓到第一次的記錄。

在試圖合計多段攻擊的總值時，也不準——總結得很好，下次不要總結了。

整體來看，Gemini 的準確度能有 65 分，Qwen 大概是 55 分。后面還讓它們分別總結了所涉及到的特殊技能：

兩邊總結起來的思路不一樣，Qwen 是按照技能類型劃分，主要參考了卡面的文字展示。

Gemini 則是以視頻為主，計算作戰中的出現方式來統計，結合了角色。

不得不說，視頻材料消耗 token 跟玩似的，五分鐘的視頻光是傳上去就已經 9 萬 token 了。幸好 Gemini 還算大方，每個會話的起始量都是一百萬，經得起花。

前置工作鋪墊好了，理論上對游戲應該有所了解，那么「如果我想用更短的時間就勝利，出擊方式和技能卡牌使用應該怎么調整？」

技能和角色的名稱由于翻譯的原因比較混亂，暫且拋開不談，兩邊都給出了像模像樣的「攻略」，尤其是 Qwen。

Gemini 也可以出攻略，相對沒有那么詳細。

綜合能力可能，強操控游戲仍是挑戰

有一說一，卡牌游戲總歸是比較簡單的，不管是對于玩家還是對于 AI。就這準確度就已經堪憂了，涉及操控的話，還能跑得動嗎？

于是下面我找來了一段王者榮耀的視頻，看看這回兩個模型的表現。

這次兩個模型都開始摸不著頭腦了。Qwen 給出了一個整理，但光看著就 bug 滿滿，而且沒有了時間戳甚至很難核對。

Gemini 還是按照之前的方式，給出了詳細的表格。但是按照時間戳一對比，數字也是很亂，它在備注里也寫到自己對一些傷害難以區分。

甚至當很多數字接連冒出來的時候，干脆就直接摸魚，寫了一個「較小數字」就蒙混過關了。

如果不能準確提取現有的數據，后面的推理分析就很不樂觀了。但我還是淺問了一下「按照現有的戰況，分析本局的勝率和敗率」。

Qwen 比較中規中矩，可以綜合讀取視頻里所有相關的信息，比如等級、金幣數等等。

意外的是 Gemini， 它不僅讀取了視頻里的信息，還讀了音頻：這段錄像是同事現打的一段人機，錄制時環境嘈雜，竟然能被 Gemini 識別出來。它認為人機對戰中，只要不出錯，就是穩贏。

有點東西。

王者的難度屬實有點大，這個表現也不算意外。但整體上，兩個模型的表現都比想象中的好很多。

盡管兩邊的主打不一樣，Gemini 強調推理，Qwen 強調視覺，但都反映出了一開始所說的： 以推理能力為基石，全面惠及不同維度的能力。

這也能在 Qwen QvQ-Max 的發布報告中看到，團隊談到了為什么要投入視覺在推理中：傳統的 AI 模型大多依賴文字輸入，比如回答問題、寫文章或者生成代碼。但現實生活中，很多信息并不是用文字表達的。

圖片、圖表甚至視頻等多種形式，都包含著信息。一張圖片可能包含豐富的細節，比如顏色、形狀、位置關系等，而這些信息往往比文字更直觀、也更復雜。

而僅僅 只是「看到」這些信息，還遠遠不夠。只有調動推理能力，「看懂」所有的信息，還能做出進一步分析，一切才有更豐富的應用層面的意義。

Gemini 和 Qwen 的表現為「模型即產品」又多添了一枚砝碼，當推理能力再上一個臺階的時候，泛用性進一步提高，「通用型智能」初具形態，只是時間問題。

我們正在招募伙伴

簡歷投遞郵箱
hr@ifanr.com

?? 郵件標題
「姓名+崗位名稱」（請隨簡歷附上項目/作品或相關鏈接）