一次关于 AI 审美能力的横向测评：从最贵的 GPT-5.5 到最便宜的 Qwen，谁能戳中我的审美？
端午节去了一趟澳大利亚，回来带了将近 2000 张照片。每次旅行后最痛苦的事不是整理行李，而是面对这堆照片不知道从哪里下手。哪些值得精修？哪些直接删？每次我都要花好几个小时反复翻看，最后还是靠本能做决定。
作为一个每天为AI焦虑的人，不出意外地：能不能让 AI 帮我先过一遍？
但问题来了——用哪个模型？各家 AI 的「视觉能力」表现如何？有没有可能都是垃圾？
于是我设计了一个小实验：从那 2000 张照片里随机挑 100 张不带人像的照片（老婆不想露脸），同时丢给 8 个主流多模态大模型，让它们各自给每张照片打分（0-10 分），然后对比各模型的评分结果、Top 10 偏好、花费和速度。
| 模型 | 厂商 | 每百万 Token 成本（输入/输出） |
|---|---|---|
| Claude Sonnet 4.6 | Anthropic | $3 / $15 |
| GPT-5.5 | OpenAI | $5 / $30 |
| Gemini 3.1 Pro | $2 / $12 | |
| Grok 4.20 | xAI | $2 / $6 |
| Qwen3.6 35B | Alibaba | $0.16 / $0.97 |
| Kimi K2.6 | Moonshot | $0.74 / $4.66 |
| MiMo V2.5 | Xiaomi | $0.40 / $2.00 |
| GLM-5V Turbo | Zhipu | $1.20 / $4.00 |
为了让打分有参考依据，我给每个模型相同的评分标准：
你是一位专业摄影师，请给这张照片打分（0.0 到 10.0）。
评分标准：
- 构图：主体是否突出、画面是否平衡
- 曝光：亮度、对比度、高光/阴影细节
- 清晰度：对焦是否准确、是否有运动模糊
- 内容：画面是否有趣、有情感或视觉冲击力
- 整体：是否值得保留
校准参考：
- 9-10：极少。决定性瞬间、完美技术+强烈情感
- 7-8：明显亮点，但缺少惊艳
- 5-6：普通，技术无大问题但平淡
- 3-4：有明显缺陷（模糊/曝光偏差/构图随意）
- 1-2：废片每张照片先缩小到 600×400（节省 Token），以 base64 格式发送，要求模型严格按格式输出分数和一句理由，不开启记忆每张图都是独立的评分。
这是实验前我自己先选出的 10 张最喜欢的照片，作为参照基准，看看 AI 的眼光和我有多少重叠。
先看最基础的问题：8 个模型，面对同一批照片，评分标准差异有多大？
图中每条横向结构分三层：细线是最低分到最高分的完整区间，色框是中间 50% 照片（P25–P75）的集中区间，菱形是均分。
几个明显的规律：
Grok 是「最慷慨的裁判」。均分 7.86，最低分 6.8——它几乎不打差评，100 张照片里没有一张被它认为低于及格线。这种「只看亮点」的风格，评分区间窄到只有 1.9 分。分数都差不多，很难用来筛片。
Gemini 和 MiMo 是「最敢扣分」的。两者都给出过 3.5 分的最低分，Gemini 均分只有 6.52。Gemini 的评分区间集中（P25–P75 仅 0.8 分），说明它对大多数照片有稳定的「中等偏低」判断，只有少数能突破 7 分。如果你想找一个高门槛的筛选器，Gemini 最合适。
Claude 和 MiMo 区分度最高。两者均分相近（7.16 vs 6.59），但评分区间都超过 4 分——能看出它们有在区分好坏，而不是给所有照片打差不多的分。
GPT-5.5 像「不出错的专业评委」。打分区间窄（5.0–8.0），P25–P75 只有 0.8 分，几乎不给极端分数。稳定但缺少个性。
「能用」和「值得用」之间，差的往往是成本和耐心。
图中气泡越大代表均分越高，左下角是「又快又便宜」的理想区域。
Qwen + Grok 占据左下角，是这次测试性价比最高的两个：
Kimi 是明显的离群点，44 秒的平均延迟让它悬在图表右上方。推理模型用来给照片打分是「大材小用」，等待时间极大影响批量处理体验。
GPT-5.5 花费最高（$0.562），速度中等，均分却只排第 4。右上角的位置说明：最贵的或许不是最好的。
8 个模型选出的 Top 10，彼此之间到底有多少共识？
我用 Jaccard 相似度来量化：把每对模型的 Top-10 集合做交集/并集，算出相似度，再对每个模型取平均值。相似度越低，说明这个模型的选片口味越独特，与其他模型越不一样。
结果有点出乎意料：
Qwen 和 MiMo 并列最独特（Jaccard 0.104），它们选出的 Top 10 与其他模型的重合率不到 11%——基本上各走各路。高情商：最独特；低情商：拉完了。
Grok 也相当独特（0.161），选了很多其他模型忽略的照片，但均分最高——说明它的「独特」完全是随机生成的，因为分数真的都差不多。
GPT-5.5 和 Claude 最主流（0.284 / 0.276），它们的 Top 10 和其他模型重合率最高。如果多个模型都选中一张照片，GPT 和 Claude 大概率也在其中——它们的判断代表了「AI 集体审美」。
评分和评语是两种输出，分开生成——那它们说的是同一件事吗？
我用摄影批评语料里的正负关键词，对每条评语做情感标记，然后检测：高分（≥7.5）是否配了正面评语，低分（≤5.5）是否配了负面评语。
图中深色条 = 高分照片里评语偏正面的比例；浅色条 = 低分照片里评语偏负面的比例。右侧百分比是综合一致率。
几个有意思的发现：
Gemini 3.1 Pro 是唯一一个 100% 一致的模型。 它给高分的照片，评语全是称赞；给低分的，评语全是批评。没有含糊其辞。这和它「最严苛」的评分风格一起，构成了一种很明确的判断个性——Gemini 说好就是好，说差就是差。
MiMo 说一套做一套最多（7 例）。 典型案例：给 29.JPG 打了 7.5 分，评语却是「画面有氛围但主体细节不足」；给 26.JPG 也是 7.5 分，评语是「构图稳定但视角常规，缺乏惊艳感」。分数说「不错」，评语说「没啥惊艳」，两者结合起来让人不知道该信哪个。
最普遍的矛盾模式是「高分但是……」。Claude、Grok、GLM 的不一致案例几乎全是这种：评语前半句夸，后半句跟一个「但/缺乏/略显」，整体情感偏负面，分数却仍然在 7.5 以上。GPT-5.5 做得最好（仅 1 例），它的高分评语基本不留尾巴。
Qwen 是唯一一个「低分说好话」的模型。 给 75.JPG 打了 5.2 分，评语却是「前景过暗且天花板死黑，但背景大桥景色出色，层次分明」——前半批评，后半夸奖，最后给了低分，不懂逻辑在哪儿。
8 个模型，最高重合度只有 3/10（GPT、Gemini、Kimi、GLM 各自重合 3 张），MiMo 甚至完全没有交集。拿重合度最高的几张来看：88 被 6 个模型选中，78 被 4 个选中，64 被 4 个选中——这几张确实也是我喜欢的，说明 AI 在「技术质量好的照片」上和人类有共识。
但我喜欢的另外几张——比如 08、32、42、47、62、85——几乎没有模型把它们选进 Top 10。这些照片大多是光线特殊、氛围感强、但技术参数不算完美的那种。AI 擅长识别「技术失误」，但还不太懂「为什么这个光线让我觉得好看」，不过也可能是我的审美不好。
那如果把 8 个模型的打分平均，「集体智慧」的结果是什么？
下面这张图是 100 张照片按 8 个模型均分从高到低排列的完整结果——左上角是 AI 集体最认可的照片（88.JPG，均分 8.04），右下角是它们集体最不感冒的（均分约 5.6）。每张右下角的数字是该照片的跨模型平均分。
你的感觉呢？ 如果你现在从这 100 张里挑 10 张，会怎么挑？和 AI 排出来的顺序差了多少？
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。