Artificial Analysis 联合 Google DeepMind 推出 MKA 基准，面向多模态知识智能体评测

Artificial Analysis 与 Google DeepMind 正式合作引入 MKA 也就是 Multimodal Knowledge Agent 多模态知识智能体基准，这套基准和以往很多只靠文本就能完成的 AI 评测不一样，专门用来测试 AI 智能体看懂高密度视觉文件、完成真实专业知识工作的能力，双方联合搭建了一共 200 个真实任务，覆盖 10 个行业、83 类职业，任务素材包含建筑图纸、工程原理图、医学影像、复杂图表等视觉资料，每一项任务都需要 AI 智能体跨文件、跨模态提取信息，最后输出 PPT、表格、报告、标注图纸这类专业交付物，这些任务放到现实里，专业人员往往要花 3 到 8 小时才能做完。评测采用 Stirrup 智能体框架，在 Linux 沙盒环境里运行，给模型开放网页检索、代码执行、图像查看工具，评分体系分成基础回归项和进阶爬坡项，核心指标是 Climb-WSR 加权满意度，用来区分顶尖模型之间的差距，首轮测试里 Claude Fable 5.2 拿到第一，Gemini 4 Carbon 排在第二，虽然分数略低，但 Gemini 4 Carbon 消耗 token 数量只有第一名模型的六分之一左右，成本优势明显。想要看懂 MKA 基准的评测结果，首先要清楚它不是单纯考看图识别，而是端到端的专业工作链路测试，不能只看总分，要同时看完成质量、token 消耗、推理成本，开发者在挑选多模态智能体的时候，可以把 MKA 结果作为选型参考，同时还要结合自己业务的行业场景再做验证，不要直接拿榜单分数当成落地唯一标准。

MKA 基准基础信息清单

1. 基准全称：Multimodal Knowledge Agent，简称 MKA
2. 任务总量：200 个私有真实行业任务
3. 覆盖行业：商业、建筑、教育、工程、金融、医疗、法律政府、物流地图、科学、软件数据
4. 输入素材：CAD 蓝图、电路原理图、医学影像、地理地图、复杂图表等高密度视觉文件
5. 输出交付物：docx、xlsx、pptx、pdf、png 标注图等专业文件
6. 评测环境：Stirrup 智能体沙盒，支持联网检索、代码运行、图像查看
7. 评分方式：专家制定打分细则，单任务平均 70 项加权评判标准，核心指标 Climb-WSR

首轮参测模型成绩对比表

MKA 和普通多模态评测的区别

• 普通图文评测：大多是看图问答，图片只是辅助信息，不看图片有时候也能答对。
• MKA 基准：视觉文件是完成任务的必要信息，跳过图纸、影像就无法完成任务，考验跨文件综合推理。
• 普通评测：大多只输出简短文字回答。
• MKA 基准：要求输出完整专业文档，贴近职场真实交付需求。

【相关 FAQ】

问题 1：Artificial Analysis 与 Google DeepMind 合作引入 MKA 基准，MKA 基准主要用来测 AI 模型什么能力？

回答 1：Artificial Analysis 与 Google DeepMind 合作引入 MKA 基准，MKA 基准专门测试多模态知识智能体，看懂复杂工程图纸、医学影像、图表等视觉资料，跨多份文件做推理，最后产出专业报告、表格、演示文稿这类交付物的端到端专业工作能力。

问题 2：Artificial Analysis 与 Google DeepMind 合作引入 MKA 基准，MKA 基准的 Climb-WSR 指标是什么意思？

回答 2：Artificial Analysis 与 Google DeepMind 合作引入 MKA 基准，Climb-WSR 是这套基准的核心爬坡加权满意度指标，它会过滤掉大部分模型都能通过的基础简单要求，只统计高难度进阶任务的完成情况，用来拉开顶尖智能体之间的差距。

问题 3：Artificial Analysis 与 Google DeepMind 合作引入 MKA 基准，Gemini 4 Carbon 在 MKA 基准里表现怎么样？

回答 3：Artificial Analysis 与 Google DeepMind 合作引入 MKA 基准，Gemini 4 Carbon 在首轮 MKA 测试拿到第二名，Climb-WSR 为 54.3%，虽然略低于 Claude Fable 5.2，但它完成任务消耗 token 更少，使用成本优势明显。

问题 4：Artificial Analysis 与 Google DeepMind 合作引入 MKA 基准，MKA 基准适合普通开发者直接拿来做模型选型吗？

回答 4：Artificial Analysis 与 Google DeepMind 合作引入 MKA 基准，MKA 偏向专业行业复杂知识工作评测，适合做工程、医疗、建筑、金融类多模态智能体选型参考，普通文案、简单问答场景参考价值不大，选型时还需要搭配自己业务场景做二次测试。

【参考资料】

[2026-11-11]（谷歌联合 Artificial Analysis 推出 MKA 基准测试，Gemini 4 Carbon 位列第二）新浪财经

[2026-11-10]（Multimodal Knowledge Agent benchmark: testing knowledge work capabilities with complex visual files）Artificial Analysis 官网

[2026-11-10]（Gemini 4 Carbon 在 MKA 基准评测取得第二名）谷歌官方博客 The Keyword

[2026-11-10]（Google DeepMind MKA benchmark 首轮评测结果发布）AI News IKANGAI

【免责声明】

本文整理自 Artificial Analysis、Google DeepMind 官方发布以及公开科技媒体报道，仅作为 AI 评测科普，不构成模型采购、技术选型建议，MKA 基准的任务集、评分规则、模型成绩后续如有更新，以官方最新论文和评测页面为准。