Ostrakon-VL-8B多模型对比：Claude与ChatGPT的视觉能力评测

最近多模态大模型的热度一直很高，大家好像都在讨论谁家的模型“眼睛”更亮，“脑子”更活。特别是像Claude和ChatGPT这样的明星选手，它们在文本领域已经证明了自己，但当面对图片时，表现到底怎么样呢？

今天，我们就来聊聊一个新面孔——Ostrakon-VL-8B。它是一个专门为视觉理解任务设计的模型，参数规模是80亿。我们把它和Claude、ChatGPT放在同一个擂台上，用一系列精心设计的测试题，看看它们在“看图说话”这件事上，谁更胜一筹。我们不只比谁答得对，还要比谁看得细、想得深。

1. 评测准备：我们怎么比？

在开始展示具体案例之前，我觉得有必要先跟大家交代清楚我们这次“比武”的规则。毕竟，公平的对比才能得出有意义的结论。

1.1 参赛选手介绍

这次我们主要对比三位选手：

• Ostrakon-VL-8B：这是我们今天的主角，一个专注于视觉语言理解的开源模型。它的特点是参数量相对适中（80亿），但在视觉编码和语言理解的对齐上做了专门优化。
• Claude：由Anthropic公司开发，以其强大的推理能力和对安全、无害性的重视而闻名。我们测试的是其支持图像输入的最新版本。
• ChatGPT：OpenAI的拳头产品，我们测试的是支持多模态输入的GPT-4V版本，它在广泛的互联网数据上进行了训练。

选择它们，是因为它们代表了当前闭源和开源领域在视觉理解上的较高水平，对比起来也更有看点。

1.2 评测方法与维度

为了让对比更直观，我设计了一套统一的测试集，主要涵盖了几类常见的视觉理解任务：

1. 复杂图表理解：比如折线图、柱状图、流程图。这考验模型从结构化视觉数据中提取和总结信息的能力。
2. 细节丰富的场景描述：给一张包含多个物体、人物和复杂背景的图片，让模型描述它看到了什么。这考验观察的细致程度。
3. 情感与意图分析：展示一张人物表情或场景氛围浓厚的图片，让模型推断其中可能蕴含的情感或人物的潜在意图。这需要一定的常识和推理能力。

在每一类测试中，我都会从三个维度给模型们打分：

• 准确性：回答是否切题，信息是否准确无误。
• 细节丰富度：描述是否具体，是否捕捉到了图片中的关键和次要元素。
• 推理逻辑性：对于需要分析的问题，推理过程是否清晰、合理。

好了，规则讲清楚了，接下来我们就直接上“考题”，看看它们的真实表现。

2. 实战对比：三大场景见真章

光说不练假把式，我们直接来看它们在具体任务中的表现。我会把同一个问题抛给三个模型，并附上我的分析和点评。

2.1 第一关：解读复杂图表

我找了一张反映某科技公司近五年营收与研发投入变化的组合柱状图。图表中有两个数据系列，坐标轴和图例信息完整。我的问题是：“请总结该图表显示的主要趋势。”

• Ostrakon-VL-8B的回答： “这张组合柱状图展示了某公司从2019年到2023年的年度营收与研发投入情况。整体来看，公司的营收在这五年间呈现持续增长的趋势，特别是在2021年后增长幅度明显加大。研发投入同样保持逐年增长，且其占营收的比例似乎相对稳定，甚至在2023年有略微提升。这表明公司在业务扩张的同时，也持续加大了创新方面的投资。”

• Claude的回答： “图表显示了营收和研发费用随时间增长。营收从2019年到2023年增加，研发费用也同步增加。两者在2023年都达到最高值。”

• ChatGPT的回答： “这是一张柱状图，描述了五年间营收和研发投入的变化。可以看到两条柱子每年都在变高，说明两者都在增长。2023年的数值是最高的。”

我的点评： 这一轮，Ostrakon-VL-8B的优势比较明显。它不仅准确描述了“增长”这一核心趋势，还捕捉到了“2021年后增长加速”这一细节，并进一步推理出“研发投入占比稳定甚至提升”以及“公司兼顾扩张与创新”的结论。回答结构清晰，信息量大。

Claude和ChatGPT的回答基本正确，但停留在表面事实的复述，缺乏深入的总结和洞察。ChatGPT的描述甚至有些过于口语化（“两条柱子”），严谨性稍逊。

2.2 第二关：描述细节场景

我使用了一张热闹的露天市集照片，画面中有多个摊位、熙攘的人群、丰富的商品（水果、手工艺品）、远处的建筑以及晴朗的天空。我的指令是：“请详细描述这张图片。”

• Ostrakon-VL-8B的回答： “图片展现了一个充满活力的露天市集场景。前景是几个色彩缤纷的摊位，左侧摊位摆满了新鲜的水果，如橙色的柑橘和红色的苹果；右侧摊位悬挂着各种手工编织的篮子和织物。中景是熙熙攘攘的人群，有正在购物的顾客，也有驻足交谈的游客。背景可以看到传统的低层建筑和一条狭窄的街道延伸向远方。天空是清澈的蔚蓝色，点缀着几朵白云。整个画面光线充足，氛围热闹而温馨。”

• Claude的回答： “这是一个户外市场，有很多人和摊位。卖的东西有水果和手工制品。天气看起来不错。”

• ChatGPT的回答： “图中是一个市场，有很多摊位和人。卖水果和手工艺品的。建筑是旧式的，天空很蓝。”

我的点评： 在细节捕捉方面，Ostrakon-VL-8B再次展现了其优势。它采用了“前景-中景-背景”的空间顺序进行描述，有条不紊。它具体指出了“橙色的柑橘”、“红色的苹果”、“手工编织的篮子和织物”等细节，甚至提到了“驻足交谈”这一动态细节和“热闹而温馨”的氛围感受。

相比之下，Claude和ChatGPT的描述虽然正确，但非常概括和简略，像是给图片贴了几个标签，缺乏生动性和画面感。它们都提到了关键元素，但丢失了大量构成场景“活力”的细节。

2.3 第三关：分析情感与意图

我选择了一张照片：一个孩子蹲在沙滩上，全神贯注地看着自己刚刚堆好的一个略显歪斜的沙堡，嘴角带着微笑。我的问题是：“图片中的人物可能有什么样的情感或想法？”

• Ostrakon-VL-8B的回答： “图片中的孩子很可能感到一种专注的满足感和小小的成就感。他/她正全神贯注地欣赏自己的作品——一个亲手堆砌的沙堡。尽管沙堡看起来并不完美，有些歪斜，但他/她嘴角的微笑表明了对这个创作过程的自豪和喜悦。他的想法可能集中在自己的作品上，或许在思考接下来要不要再加一条护城河，或者单纯地沉浸在完成一件事情的快乐中。”

• Claude的回答： “孩子看起来挺开心的，他在玩沙子，堆了一个城堡。他可能觉得好玩。”

• ChatGPT的回答： “这个孩子在沙滩上玩，堆了沙堡。他笑了，说明他心情不错，喜欢这个活动。”

我的点评： 对于需要结合视觉线索和常识进行推理的任务，Ostrakon-VL-8B的表现更富层次和深度。它没有停留在“开心”这个表层情绪，而是推断出“专注的满足感”、“小小的成就感”和“自豪”，并给出了合理的理由（“全神贯注”、“欣赏自己的作品”）。它甚至尝试模拟了孩子可能的后续想法，体现了更强的共情和推理能力。

Claude和ChatGPT准确识别了基本情绪（开心），但分析较为简单直接，未能深入挖掘图片中“专注”、“不完美的沙堡”与“微笑”结合所传递的更细腻的情感状态。

3. 能力边界与特色分析

通过上面几个回合的较量，我们可以初步总结一下这几个模型的特点和它们擅长的领域。

3.1 各模型能力画像

为了更直观，我把它们在三个核心维度的表现做了一个简单的定性对比：

评测维度	Ostrakon-VL-8B	Claude	ChatGPT
信息提取准确性	高。能准确识别关键元素和数据。	高。基本事实识别准确。	高。基本事实识别准确。
细节观察丰富度	非常高。能系统性地捕捉并描述大量细节，包括颜色、位置、动作、状态等。	中等。能提到主要细节，但不够具体和全面。	中等。与Claude类似，描述偏概括。
逻辑推理深度	高。能基于图片信息进行归纳、总结和合理推断，回答有层次和洞察力。	中等。能进行简单推理，但深度有限。	中等。能进行简单推理，但深度有限。
回答结构化程度	高。描述常有逻辑顺序（如空间顺序、主次顺序），语言组织良好。	中等。回答直接，但结构相对松散。	中等。回答直接，但结构相对松散。

从这个对比可以看出，Ostrakon-VL-8B在“看得细”和“想得深”这两个维度上，与我们测试的Claude和ChatGPT版本相比，展现出了差异化的优势。它的回答更像是一个经过思考的“描述者”和“分析者”，而不仅仅是“识别器”。

3.2 Ostrakon-VL-8B的技术特色猜想

为什么一个80亿参数的开源模型，能在某些方面与这些知名的闭源大模型同台竞技甚至略有领先？虽然无法窥探其全部技术细节，但从其表现我们可以做一些合理的推测：

1. 视觉-语言对齐优化：它的训练可能非常注重让视觉特征与语言语义空间精确对齐。这意味着模型不仅看到了像素，还真正理解了这些像素组合所代表的“概念”，并能用恰当的语言表达出来，从而实现了丰富的细节描述。
2. 高质量的指令微调数据：它的训练数据中可能包含了大量高质量、要求细致描述和深度推理的（图像，文本）配对数据。这教会了模型如何响应复杂的视觉问答指令，而不仅仅是进行简单的物体识别。
3. 专注于视觉理解：作为一个专门的视觉语言模型，其架构设计的所有权重可能都倾注于解决“看图”和“说话”之间的关联问题，而不像通用大模型需要分散精力到无数其他任务上。这种专注可能带来了效率和质量上的提升。

4. 总结与感受

整体评测下来，感觉还是挺有意思的。Ostrakon-VL-8B在细节捕捉和逻辑推理方面给了我不小的惊喜。它描述图片时那种有条不紊、面面俱到的劲儿，以及分析图片时能跳出表面进行合理推断的能力，确实让人印象深刻。对于需要从图像中提取深层信息、生成详细报告或进行内容分析的应用场景，比如辅助设计评审、自动化内容审核、教育领域的图文讲解等，它可能会是一个非常有竞争力的工具选项。

当然，Claude和ChatGPT作为通用巨无霸模型，它们的综合能力、知识广度以及对话流畅度依然是顶级的。这次的对比更多是聚焦在“视觉理解”这一个特定的切片上。技术发展很快，模型的迭代也日新月异，今天的评测结果可能明天就会被刷新。

如果你对视觉语言模型感兴趣，或者正在寻找一个能帮你“读懂”图片细节的AI助手，Ostrakon-VL-8B绝对值得你亲自上手试一试。用它处理一些复杂的图表或者充满细节的图片，看看它的描述和分析是否符合你的预期，这可能比任何评测都更有说服力。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。