探索多模态AI的新标尺：一个正在重塑评估格局的排行榜

AI领域正经历一场深刻的变革，多模态大模型（MLLM）以前所未有的速度崛起，它们不再局限于理解单一类型的数据，而是能够同时处理和生成图像、文本、音频甚至视频等多种模态的信息。 这种能力的跃升，让人们对通用人工智能（AGI）的未来充满遐想。然而，随之而来的挑战是：我们该如何科学、全面地评估这些多模态模型的真正“通才”能力？过去那种简单堆砌任务分数的方式，已经难以准确衡量模型是否真正具备接近人类水平的智能。

正是在这样的背景下，一个全新的多模态通才段位排行榜——General-Level及其配套评测基准General-Bench应运而生。这个由研究团队提出并已落地社区的评测体系，不仅为多模态模型的评估提供了基础设施，更重要的是，它引入了一种全新的“段位晋级”思维，试图从更深层次揭示模型的通用智能水平。

超越表面：协同泛化效应是核心

General-Level评测框架最引人瞩的地方，在于它不再仅仅关注模型在各个单项任务上的表现，而是将评估的核心放在了“协同泛化效应”（Synergy）上。 简单来说，协同泛化效应指的是模型能否将从一种模态或任务中学到的知识，有效地迁移并提升到另一种模态或任务中，实现1+1大于2的效果。 这正是通用智能的关键体现：真正的智能不仅仅是掌握孤立的技能，更在于融会贯通，举一反三。

General-Level通过考察模型在不同层面的协同效应，将其能力划分为五个等级，形成一个类似“段位晋级”的体系。 模型的段位越高，代表其通用智能越强，协同效应的层级也越高。

五级段位体系：衡量通才之路

General-Level设定的五级段位体系，清晰地描绘了多模态模型从“专家”走向“通才”乃至更高智能层次的演进路径：

第一级：专家型选手（Level-1 Specialist）。 这一级别的模型通常是针对某个特定任务或数据集进行了极致优化的单项冠军，它们在特定领域表现出色，但通用性和泛化能力有限。 可以理解为在某个领域技艺精湛的“专家”。

第二级：入门通才（Level-2 Generalist，无协同）。 达到Level-2意味着模型开始具备处理多种模态和任务的能力，实现“一专多能”。 然而，这个阶段的模型尚未真正体现出知识的协同增益，不同模态或任务之间的学习可能仍然相对独立。想象一下，一个模型能看图说话，也能听音辨物，但这些能力之间还没有产生内在的关联和促进。有趣的是，即使是像GPT-4V这样的先进模型，目前也仅被评估为处于Level-2的水平，这或许暗示了当前多模态模型在协同能力上的普遍挑战。

第三级：任务协同（Level-3 Task Synergy）。 进入Level-3，模型开始展现出任务层面的协同效应。这意味着模型在解决某个任务时，可以有效地利用从其他任务中学到的知识和能力。例如，在进行视觉问答时，模型能够更好地结合图像理解和文本推理能力，从而提高回答的准确性。

第四级：范式协同（Level-4 Paradigm Synergy）。 这一级别代表着更高层次的协同。模型不仅能在任务之间迁移知识，更能理解并融合同一模态下不同范式或不同模态间更深层的关联。例如，理解图像中的风格与文本描述的情感之间的潜在联系，或者将视觉信息与听觉信息进行更复杂的融合，以解决需要跨越多感官理解的问题。

第五级：全模态完全协同（Level-5 Full Modality Complete Synergy）。 这是General-Level设定的最高段位，代表着模型在所有支持的模态和任务之间实现了全面的协同。 在这个层级，模型可以灵活地在不同模态之间切换、融合和迁移知识，表现出接近甚至达到人类水平的通用智能。然而，根据General-Level团队的发布，目前最高段位仍然空缺，这表明实现真正的全模态通才仍然是当前AI研究面临的巨大挑战。

General-Bench：构建全面的评估基石

为了支撑这套五级段位体系，General-Level团队构建了一个超大规模的评测基准General-Bench。 这个基准包含了700多个任务，覆盖了5大常见模态和29个不同的领域，测试数据量高达32万+。 如此广泛的任务和模态覆盖，旨在为多模态通用AI提供一个全面、公平、公正的竞技场。

General-Bench的设计，也体现了对现有评测方法局限性的反思。过去的基准可能存在任务覆盖不全、模态支持有限或评估指标单一等问题，难以全面反映多模态模型的真实能力。 General-Bench试图通过其庞大的规模和多样化的任务设置，弥补这些不足，更细致地评估模型在不同能力需求层级上的表现。

新范式下的启示与未来展望

General-Level和General-Bench的发布，无疑为多模态通用AI的评测带来了新范式。 它将评估的焦点从单一任务的得分，转移到模型跨模态、跨任务的协同泛化能力上，这更符合我们对通用智能的理解。模型的“段位”不再仅仅是数字高低，更是其智能水平层次的直观体现。

当前，即使是头部模型如GPT-4V也仅处于Level-2，这揭示了当前多模态大模型仍有巨大的进步空间。向更高级段位迈进的关键，在于如何进一步增强模型的协同泛化能力，让不同模态和任务之间的知识能够更好地相互促进和迁移。这需要研究者们在模型架构、训练方法以及数据构建等方面进行更深入的探索。

General-Level排行榜作为一个社区基础设施，将有助于研究人员和开发者更清晰地定位自身模型的能力水平，找到改进的方向，并促进整个多模态AI领域的健康发展。随着更多模型参与评测并不断刷新段位，我们或许能够更清晰地看到通往真正通用人工智能的路径。

当然，任何评测体系都有其局限性，General-Level也并非终点。未来的评测还需要不断演进，以适应AI技术的飞速发展，涵盖更复杂的交互、更开放的环境以及更贴近真实世界的场景。但General-Level迈出的这一步，无疑为多模态通用AI的评估体系带来了重要的启发，也为我们理解和衡量AI的“通才”能力提供了一个崭新的视角。