一个多模态模型在决策基准里拿了第一，靠的不是答题，是打马里奥。

ModelScope 发布视觉多模态大模型 JEV-27B-VL，在独立决策基准 Decision Index Vision 中以 77.8% 的准确率位列 20 款参评模型第一。这个基准包含 13,695 个样本，考的不是看图说话，是决策。

它到底在测什么

Decision Index Vision 的评测对象是模型的决策能力。JEV-27B-VL 在这项评测中不仅准确率登顶，置信度校准的表现也被单独提及——模型输出判断时，对自己有多确定，这件事同样被纳入考量。

换句话说，评测关心的不只是选对，还有模型知不知道自己可能选错。

马里奥演示：从看图到动手

发布方用一段马里奥游戏的实时演示来展示能力。模型需要在短延迟内解析游戏画面，并输出操作的概率分布——不是给一个动作，是给一组动作各自的可能性。

这构成了实时连续决策：画面在变，模型要持续给出下一步的概率判断，而不是回答一道静态题目。置信度校准在这里同样起作用，模型对每个动作的把握程度被一并输出。

演示验证的是目标导向的连续决策特性，而非单帧图像理解。

从静态问答到交互式 Agent

这一转变被概括为：多模态模型正从传统的“静态看图问答”向真正的“交互式智能体（Agent）”演进。

静态问答的输入是一张图、一个问题，输出是一段文字，任务到此结束。交互式 Agent 的输入是持续变化的画面流，输出是动作，任务在时间轴上延续，每一步都影响下一步。

两者的差别不在模型规模，在任务形态。

潜在落点

这类能力被指向两个方向：GUI 自动化与具身智能。前者需要模型看懂屏幕、决定点哪里；后者需要模型看懂环境、决定怎么动。共同点是都要在动态场景里连续做决策，而不是一次性给出答案。

20 款模型参评，13,695 个样本，77.8% 排第一。数字本身不惊人，惊人的是评测的题目类型变了——从“这张图里有什么”变成了“下一步该做什么”。