不同于传统大模型“先写一段长篇大论再给结论”的慢节奏，Xing-VL2.0-Decision 的核心亮点在于“看图直接做决定、不仅判得快还能给出把握度”——平均单次判断仅需 0.3 秒，每小时即可完成超一万份复杂票据核验或抓拍画面判读，同时还能同步给出判断的“把握度”（方便业务系统对高把握结果自动放行、低把握结果转人工复核）。该模型广泛适用于内容安全审核、工业与交通视觉巡检、智能体（手机/网页）自动操作、票据文档信息抽取等需要“秒级响应、海量处理、人机协同兜底”的高频真实业务场景。
|
|
|
|
|
|
|
|
|
|
综合得分居首，无明显单项短板
2026 年 9 月，TypeSafe AI 推出的 Jev 将“决策模型”推向行业热潮：不写长篇分析，直接基于画面做判断、选动作，主打“又快又省”。OpenAI 也于 10 月 22 日正式上线 Decisions API，打响了模型“下一步该做什么”的行动判断入口争夺战。AI 从“能聊天回答”走向“能拍板决策”，已成为大模型迈向产业落地的全新风口。
Decision Index 榜是当前专门评测多模态决策模型的全球权威榜单，发布不到三周，已有全球 55 款模型同台竞技，参与者涵盖 Perplexity 与 vLLM Semantic Router等国际知名AI团队。该榜单的含金量主要体现在三点：
全真场景考题
涵盖近 1.4 万道真实多模态题目（空间感知、实景问答、网页操作、图表抽取与内容审核等），专门考核“看懂画面后当场拿主意”的实战能力；
盲测严防刷分
综合成绩由公开集与从未公开的私有盲测集各占 50%（11 项基准中有 9 项含私有盲测集），有效避免了提前背题或针对性刷分；
全球高手同台
汇聚了海内外主流大模型与专业多模态大模型决策团队，排名全凭硬实力。
在这场盲测较量中，中国电信星辰实验室研发的 Xing-VL2.0-Decision（由于榜单直接抓取社区仓库名，榜单页面显示为其仓库代号RBDash-Decision-v0.2）以 73.3 分夺得综合第一。
榜单前五名
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
除了总分领先，Xing-VL2.0-Decision 在各分项考核中的表现也较为均衡：在全部 11 项评测基准中，Winoground 斩获单项第一（91.0 分，私有集达 95.0 分），并在感知谜题 BLINK、实景问答 RealWorldQA、网页操作决策 Mind2Web 三个单项中位列全球第二，整体无明显单项短板，展现出扎实全面的综合底子。
完整评测结果已公开：
榜单地址：https://multimodalart-jev-decision-index.static.hf.space/index.html?mode=vision
三类代表性考题拆解：全方位考验多模态决策能力
仅靠分数难以直观理解模型能力，下文选取三项代表性评测任务，展示多模态决策模型的具体考核形式。
任务一 词序陷阱（Winoground，单项第 1，91.0 分）
两张图、两句话，用词完全一致但语序不同：A. “人坐着，狗站着”；B. “人站着，狗坐着”。题目要求判断哪句话对应哪张图，仅靠识别画面里有“人”和“狗”无法做对，必须真正看懂画面中的动作关系。该项得分 91.0（私有集 95.0）。
任务二 真实路况判读（RealWorldQA，单项第 2，61.3 分）
给定一段行车记录仪实拍的路口画面，判断右转时应走哪条车道。此类题型直接取自真实道路抓拍，没有固定套路，要求模型将复杂的视觉路况直接转化为可执行的驾驶判断。
任务三 网页操作决策（Mind2Web，单项第 2，80.2 分）
给定真实网站的截图与任务（如“预订一张去丹佛的单程机票”），在页面的四个候选按钮中选出下一步该点哪里。中间任何一步点错都会导致任务失败，直接对应智能体（Agent）帮人自动操作软件时的每一步抉择。
此外，榜单其余题型还涵盖了科学图表比对（CharXiv）、信息图问答（InfographicVQA）、票据含税总价抽取（KIE，取得 89.6 分）、内容安全审核（单项第 4）等丰富实用场景。
决策即概率：一步到位，有几分把握说几分话
面对业务中的视觉判断需求，Xing-VL2.0-Decision 摒弃了传统大模型“一个字一个字往外蹦”的生成方式，而是一步到位，直接算出各个候选动作的可能性（概率得分）。
以交通违章抓拍场景为例，系统预设结果为「压线、未压线、无法判定」三种。传统大模型往往要先生成一段分析文字再给结论，不仅耗时长，而且企业很难知道模型到底有几成把握，面临“全盘照单全收怕出错、全部人工复核太费人”的两难。相比之下，Xing-VL2.0-Decision 可以在一次计算中直接给出清晰的概率打分（单次最多支持 255 个选项同时比对）：
有了这组直观的数字，业务系统才能真正顺畅运转：把握大的自动放行，把握小的转交人工，安全门槛定多高，业务方自己说了算。
那模型给出的“把握度”靠谱吗？这也是落地中最关键的指标。在全部 13,695 道评测题上，模型的校准误差（ECE）低至 0.0298——通俗来说就是：它表示有八成把握的时候，实际准确率就真在八成左右（评测中模型平均给出 83% 的把握度，实际做对比例为 81%，基本做到了“心口合一”）。
在审核、巡检这类容错率敏感的业务里，一个“有几分把握说几分话”的模型，远比一个“每次都自信满满、偶尔却在胡说”的模型更有实用价值。
实机演示：把“秒级决策”和“把握度”摆在眼前
榜单分数证明的是模型在静态评测集上的“答得对”，而真实业务场景还进一步要求“跟得上”和“说得清”。
为此，团队用 Xing-VL2.0-Decision 搭建了三个实时决策演示。在整个演示过程中，模型全程只输入屏幕画面，不读取游戏底层状态或应用内部数据，每一步都直接看屏幕画面、当场拿主意，并把各个候选选项的概率实时标在画面上。
演示一 跑酷游戏：反应要快
跑酷游戏里障碍接连出现，留给判断的时间只有一瞬间。模型每一帧根据当前捕获的屏幕画面，在「跳跃、下滑、继续前进」等动作中实时给出概率打分并立即驱动执行，单步决策耗时约200毫秒。传统生成式大模型往往先写一段分析再给答案，等它想好，角色早已撞上障碍。这个极速响应场景，直接对应的是产线质检瑕疵剔除、交通路口抓拍这类“即拍即判”的毫秒级实时工业流水线。
演示二 网页订票：每一步都不能错
用户只给了一句话：“查看未来一周内北京到上海最便宜的机票，带宝宝。”模型面对的是一个真实布局的机票预订网页，系统把当前可操作的元素用 A、B、C 等字母框标在截图上，模型看图后从候选动作里选出下一步。
整个任务共 7 步：选择单程、点开目的地、选定上海、点开出发日期、选出最便宜的日期、勾选乘客类型、点击搜索，最终跳转到符合条件的航班列表。每一步模型都在 0.2 秒内（159～190 毫秒）给出决策，7 步全部正确，从打开页面到出结果全程约 21 秒。其中两步最考验“看懂”而不是“认出”：
选日期
日历上未来 7 天各标着一个价格 （¥390、¥460、¥430、¥450、¥300、¥480、¥440） ，模型需要读出画面上的数字并 比出最低价 ，最终选中 10 月 30 日的 ¥300；
选乘客
用户说的是“带宝宝”，页面上只有“带儿童”和“带婴儿”两个选项，模型准确对应到“带婴儿”。
这正是 Mind2Web 考题的实战版：从“单张截图选一个按钮”变成了长流程连续任务，中间任何一步点错（选错日期、漏选乘客类型），整个任务就会失败。模型每一步还会给出把握度，例如点开目的地这一步，“目的地选择框”的概率为 0.99；遇到把握度偏低的步骤，系统就可以停下来请用户确认，而不是硬着头皮点下去。放到办公系统填报、电商下单、政务网办等场景，就是“大模型理解需求、决策模型逐步执行”的低成本智能体方案。
演示三 聊天助手：读懂“话外之音”
模型根据即时通信界面中的对话进展，单次计算同时给出三组概率：对方此刻的情绪倾向、我方合适的回复引导方向，以及表情矩阵中最合适发送的表情（推荐的表情会在界面上高亮框出）。面对一句“呵呵，挺好的”，字面上是积极称赞，模型却能准确读出字面背后的不满情绪。这直观展现了第 03 章里的关键能力：一次前向计算就同时比对几十个选项，而且每个选项都带着客观可信的把握度打分。放到智能客服、数字营销等场景里，就是对客户心理状态的实时判断与金牌话术精准推荐。
三个演示的共同点是：模型完全不写长篇大论的推理文本，而是一步到位算出各个离散选项的概率分布。速度足够快，能跟上实时画面流转；把握度又足够客观可信，让系统明确知道什么时候该自己做主、什么时候该平滑交给人。
赋能业务：算得省、跟得上、兜得住
在实际产业落地中，技术指标最终都要转化为实实在在的业务账本。Xing-VL2.0-Decision 在真实场景中的落地价值主要体现在三个方面：
算力成本大幅降低，普通硬件也能跑得起
在交通卡口过车判读、海量票据核验、图文实时审核、自动化软件操作等场景中，每天的业务调用量动辄成百上千万次。如果用传统生成式大模型逐字输出，高昂的显卡算力账单往往让企业望而却步。Xing-VL2.0-Decision 省去了多余的文字生成过程，实测在单张显卡上，不到 2 小时即可完成约 1.4 万份复杂票据抽取、路面抓拍判读或图文合规审核任务（单卡日均处理能力可达近 20 万次）。这意味着企业无需堆砌昂贵的算力集群，依靠常规服务器甚至边缘端设备就能支撑日常海量业务，真正做到“用得起、铺得开”。
0.3 秒极速响应，无缝接入实时流水线
在工业质检传送带、高速路口违章抓拍、智能体连续点击屏幕等现场环境中，业务流转往往以毫秒或秒计，动辄需要等待好几秒的传统大模型很难直接接入产线。Xing-VL2.0-Decision 平均单次判断耗时仅 0.3 秒左右，能够通过标准接口或本地轻量部署直接嵌入现有业务系统，实现“即拍即判、随流随转”，顺畅满足生产一线的节奏要求。
人机协同精准兜底，兼顾效率与安全
企业引入 AI 决策最担心“出错没人管”。依托可靠的把握度评估能力，Xing-VL2.0-Decision 能帮企业搭建一套省心的人机协同流程：企业可以根据自身风控要求设定分数线，让把握度高的常规案例自动秒级过审，只把极少数“模型拿不准”的疑难复杂案例精准挑出来交给人工复核。这样一来，既能帮业务团队节省 初审人力，又能稳稳守住业务安全的底线。
赛道格局：从技术兴起走向产业落地
大模型智能体（Agent）要真正走进产业、解决实际问题，核心不仅在于聊天对话，更在于业务流程中每一次高频、准确的执行决断：调不调工具、点哪个按钮、放不放行、图文合不合规。将这类高频、选项明确的判断任务从庞大的通用大模型中拆分出来，交给像 Xing-VL2.0-Decision 这样的专用决策模型去高效执行，形成“通用模型做复杂规划、专用决策模型做高频执行”的分工配合，正成为业内加速 AI 落地的务实路径。
Xing-VL2.0-Decision 登顶 Decision Index 榜，是星辰大模型在多模态决策落地方向上的一次扎实突破。接下来，中国电信星辰通用人工智能实验室将继续围绕更快、更稳、更贴合产业需求的决策能力持续迭代，让多模态 AI 真正扎根一线业务、服务千行百业。