多模态对比：GPT、Grok、Gemini、DeepSeek、Kimi 能看什么、生成什么

SOURCE NOTES

对比要点

• 模型能够理解图片，不代表其原生输出就是图片。GPT-5.6 Sol 与 Grok 4.6 的模型卡将图像列为输入，正文输出为文本。[1][2]
• Gemini 3.8 Flash 可以接收多种媒体，但模型页明确不支持原生图像或音频生成；需要生成内容时应检查专门的模型或工具。[3]
• DeepSeek 的视觉入口是 deepseek-v4-flash-vision-exp，其他非视觉模型不能直接接收图像。Kimi K3 的接入说明提供图像和视频消息示例。[4][5]

关键差异对照

窄屏可左右滑动查看完整表格。

模享解读 · 非原文观点

先说清你要读媒体，还是创建媒体

从一张发票里抽取金额，和根据提示生成一张海报，是两种任务。选型时可以把需求写成“输入格式 → 目标输出”，例如“会议录音 → 带时间信息的摘要”，再确认接入方式是否支持，而不是只看“多模态”三个字。

我们建议用同一批图像或音视频测试细节：小字能否读清，图表单位是否准确，视频中的事件顺序是否颠倒。任何媒体预处理都应记录，包括缩放、抽帧和转写；否则你测到的可能是预处理流程，而非模型差异。

可以从这份清单开始

1. 把输入理解与原生生成列成两项。
2. 标记实验模型及媒体上传限制。
3. 保持缩放、抽帧、转写条件一致。
4. 对小字、单位、时序和缺失信息设置验收题。