PerceptionBench
一个面向多模态模型研究者与评测开发者的开源视觉基准，用原子化题目产出更可解释的感知能力评测结果，而不是混合总分。
工具简介
判断上，它更像“诊断型视觉 benchmark”而不是通用多模态排行榜，也不是图像理解应用框架。现有证据一致指出它的核心价值是把视觉感知从知识和复杂推理里尽量剥离，帮助研究者判断模型答错到底是没看清、OCR 不稳、定位失准，还是后续推理出了问题；更准确的类比是“给 MLLM 做视知觉单项体检”，不是拿来直接生成业务功能的模型工具。
实际作用主要在评测与研究流程。社媒转述显示，PerceptionBench 从 42 个既有 benchmark 的失败案例里反推 10 类原子视觉能力，并公开了可下载数据与评测代码；公开集约 3000 题，其中包含由失败样本拆解出的原子问题和新增题目。这样的设计更适合做模型对比、回归测试、能力短板定位与论文分析。这里“好用证明”主要来自官方发布信息与带结构化解读的介绍；但目前看到的证据仍以转述和发布帖为主，缺少大量第三方长期实测报告。
门槛和成本方面，当前证据只支持“数据集与评测资源已公开”，未看到可靠的官方定价、托管 API 费用或商业服务说明，因此更稳妥地把它视为开源评测资源，而不是付费评测 SaaS。真实使用成本主要会来自你自己调用被测多模态模型的算力/API 开销，以及清洗输入输出、跑评测、复现实验的工程时间；这些成本属于保守推断，不是官方价格承诺。它适合已有模型实验环境的人，不适合期待开箱即用业务结果、可视化平台或最终生产指标的人。
适合谁：做多模态模型研发、模型选型、学术分析、benchmark 设计的人；不太适合只想找“最好模型总榜”的普通用户，因为它强调可解释诊断而非单一总分。社媒共识相当集中：大家普遍认可“把感知与推理拆开”这个角度，也反复提到当前强模型在纯感知上仍明显失分，尤其幻觉相关项目更弱。但讨论质量需要保守看待：现有 evidenceSources 几乎全是 X 发布、转发与解读帖，热度证明强于好用证明；榜单式传播和摘要式转述较多，教程、系统复现、独立长文实测较少，样本也主要集中在发布当日，因此可确认它“受关注”，但对其长期采用度与实际评测稳定性仍需后续观察。