$47 实测九款多模态 API：OCR/视觉任务的性价比真相

我在多模态 AI API 上花了 47 美元做测试——以下是真正能用的一些模型。

我跟你坦白说。我本来没打算做九个模型的多模态 API 对比评测，我只是想计费干活的。但有一个周二下午，一个客户找我，说他们的 OCR 流水线每月在 OpenAI 上烧 400 美元，然后我就发现自己灌了三杯浓缩咖啡，花了一个周末做基准测试，最后就写出了这篇文章。

我就是这样一种自由职业者：我的显示器上贴着一张便签，上面写着"每次 API 调用都是一块披萨"。这就是我做这次评测的态度。如果一个视觉模型不能让我把它每百万 token 的价格在我给客户报价时站住脚，那我就不会用它。我会跟你聊聊我的发现、每个模型的费用、它的强项，以及——更重要的是——尘埃落定之后我真正会继续付费的是哪个。

为什么我把目光投向了 OpenAI 之外

原因很简单。一个长期客户运营一个物流仪表盘，他们每月向 GPT-4o 推送大约 8000 张图片来做集装箱 ID 提取。他们的账单每月超过 300 美元。当他们让我优化时，我的第一反应是"压缩 prompt"。那帮我们省了大约 15%。然后我开始关注新一代视觉模型——特别是那些通过 Global API 路由的——然后意识到每张图片的经济账完全是另一个宇宙。

实际上，2026 年的多模态 API 可不只是"GPT-4o 对阵 Claude"。还有一整个来自中国实验室的第二梯队模型（Qwen、GLM/Zhipu、Hunyuan/Tencent、Doubao/ByteDance），它们便宜得离谱，而且——这是关键——在一些 OpenAI 圈子通常不看的中文 benchmark 上也很有竞争力。我得亲自验证一下。

我测试了九个模型。两天内烧掉了 47 美元的 API 调用。以下就是我花的每一分钱学到的东西。

参赛选手（以及我的钱包为什么在意）

在我们进入具体测试之前，让我把参赛名单摆出来。这些都是我找到的通过 Global API 的 /v1/chat/completions 端点路由的多模态模型。我列出每百万 token 的输出价格，因为这才是决定图片密集型工作负载账单的因素——图片的输入 token 通常在模型完成编码后很小。

看看那个价差。GLM-4.5V 是 0.01 美元/百万，比 Doubao-Seed-2.0-Pro 的 3.00 美元/百万整整便宜了 300 倍。这不是笔误。问题在于：这个便宜的模型真的能用吗？让我们来找答案。

我的测试设置（没什么花哨的，就是实话实说）

我不是在一个价值一万美元的 GPU 集群上跑这个的。我是在一台 MacBook Pro上跑，用一个精心挑选的图片笔记本，以及一个 Python 脚本，用相同的 prompt 遍历每个模型。我建立了五个测试类别，对应我实际给客户计费的工作：

• 混乱街景中的物体识别
• 混合中英文文档的 OCR
• 图表和示意图解读
• 代码截图 → 实际代码
• 音频转录（只有一个模型支持）

我自己对每个进行评分。没有什么花哨的 LLM 做评委的玩法。我就是这个场景中的客户，我知道什么叫"够用"，因为我一直在为实际交付物写这些 prompt。

测试一："告诉我你看到的一切"

第一个测试是一张繁忙的街道照片——小贩、中英文招牌、停放的电动车、一辆快递卡车，以及背景中大约十几个较小的物体。我让每个模型描述一切。

结论：Qwen3-VL-32B 是这里的黄金标准。如果我要给一个电商目录客户计费，需要从一张照片中提取每个产品细节，那就是它。按 0.52 美元/百万的输出价格，我每 1000 张详细图片描述大约花 2.60 美元。这是一个我能开在发票上而不皱眉的价格。

测试二：OCR——真正的赚钱机器

这是真正能为客户省钱的测试。一个物流客户、一个法律科技创业公司，还有一个朋友的电商网站，都需要 OCR。让我把一份多语言文档拿来狠狠测一下。

GLM-4.6V 在中文文本上绝对碾压全场。这在意料之中——它是 Zhipu 的模型，训练数据偏差是真实存在的。但让我惊讶的是它并没有为了做到这一点而牺牲英文性能。混合语言提取的结果真的是干净利落。

Hunyuan-Vision 是那个令人失望的。以 1.20 美元/百万的价格，我期望它表现更好，但英文 OCR 只能算中等。除非你真的因为某些合规原因需要腾讯技术栈，否则我会跳过它。

对于一个每月做 10000 次混合中英文发票 OCR 操作的客户，我的计算器算出 GLM-4.6V 按 0.80 美元/百万来算，每月大约 40 美元，而同样工作负载用 Hunyuan 要 60 美元/月。算下来省了 33%，而且中文准确性还更好。这很容易说服人。

测试三：图表、示意图和那些让我周末加班的东西

每个自由职业者都至少有一个客户，他们的 PDF 里包含重要的图表。我曾经花了好几个小时手动把柱状图转录成 CSV 文件。我想要一个模型能看图表并给我干净的结构化数据。

我扔了一个包含八个数据点的季度收入图表、一条趋势线和一些标注文字给每个模型。Qwen3-VL-32B 完美命中了每个数字，还指出了趋势（"收入在 Q2 下滑，是由于标注中可见的季节性因素"），并返回了 markdown，可以直接粘贴到客户报告中。

GLM-4.6V 数字对了但略微漏掉了一条标注。Qwen3-Omni-30B 整体表现扎实。对于纯图表工作，我认为 Qwen3-VL-32B 是最容易计费的，因为输出格式非常干净。

测试四：代码截图 → 代码（开发者陷阱）

这个测试很私人。我有个习惯，喜欢截 YouTube 教程、会议幻灯片中的代码图，有时候我自己显示器上的也截（当我忘记复制粘贴的时候）。我想看看哪个模型真的能把截图转回可用的代码。

Qwen3-VL-32B 达到 95% 准确率，这是真的能用的。我用它测试了一张带有带多行字符串参数的 Python 装饰器的截图，它完美复现了空白部分。按 0.52 美元/百万的输出价格，这可能是我可以向客户计费的"代码考古"服务——从旧文档的老截图里重建源代码。

GLM-4.6V 达到 90% 也还行，如果你本来就打算审查输出的话。Hunyuan-Vision 甚至没进这张表，因为明显更差——但我就不公开点名了。

音频：Qwen3-Omni-30B 的表演

这就是有意思的地方。在我测试的九个模型中，只有一个支持音频输入：Qwen3-Omni-30B。而且它还支持视频。这是这个阵容中最接近真正全模态模型的东西。

我扔了四个音频任务给它：

对于我手头积压的一个播客转录客户项目，这意义重大。价格保持在 0.52 美元/百万的输出——和 VL 模型一样——所以解锁音频能力并不需要额外付费。

让我给你看看我写的集成代码。Global API 的端点是 OpenAI 兼容的，所以集成说实话很无聊（这正是我对工具链的期望）：

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["GLOBAL_API_KEY"],
    base_url="https://global-apis.com/v1"
)

response = client.chat.completions.create(
    model="Qwen/Qwen3-Omni-30B-A3B-Instruct",
    messages=[
        {
            "role": "user",
            "content": [
                {"type": "text", "text": "Transcribe this audio clip verbatim."},
                {
                    "type": "audio_url",
                    "audio_url": {"url": "https://example.com/podcast-clip.mp3"}
                }
            ]
        }
    ]
)