Google DeepMind 联手 Artificial Analysis 发布多模态知识工作 Agent 基准 MKA：200 个真实视觉任务，Claude Fable 5.2 以 57% 居首，Gemini 4 Carbon 54%、单任务成本约为其五分之一

核心背景与行业痛点

现有的知识工作基准大多只靠文字就能答对，模型几乎不需要看图片或版面。真实工作却很依赖视觉：建筑师要对照平面图和立面图，工程师要追原理图，医生要看影像，最后还要做成幻灯片或表格。Google DeepMind 认为这块没有被现有评测覆盖，于是和 Artificial Analysis 一起做了 MKA，11 月 10 日随 Gemini 4 Carbon 发布。

架构亮点与底层机制

DeepMind 找了 10 个行业、83 种职业的专家，共同写出 200 个任务。每题配一组多模态输入文件和约 70 条专家评分项，相当于资深从业者 3–8 小时的工作。评分项分成 Regression（基础检查）和 Climb（拉开差距的难题），主分数是 Climb WSR，即加权满足率。所有模型都跑在 Artificial Analysis 开源的 Stirrup 框架里，可执行代码、联网搜索和看图，最多 250 轮；评审是非 Google 模型 GPT-6 Luna，与专家判分一致率 96%。200 题保持私有防止泄露进训练数据，另放出 10 道公开题。

权威 Benchmark 与实测跑分对比

Artificial Analysis 首批测了 21 个模型：Claude Fable 5.2（max）57%、Gemini 4 Carbon（high）54%、Claude Opus 5.5（max）53%。成本差距很大：Fable 每题平均 31.97 美元，Carbon 6.29 美元，GPT-6.1 Sol 1.11 美元。分行业看没有全能冠军，Carbon 只在医疗领先；Word 和纯文本输出最难，没有模型超过 52%。示例任务里 Fable 用了 224 轮、看图 203 次，单题约 68 美元。注意 MKA 由 Google 参与设计，Carbon「性价比第一」是 Google 口径。

开发者实战落地与开箱指南

想评估自己的 Agent，可先从 Hugging Face 下载 10 道公开题，看清输入文件和评分表格式；再用开源的 Stirrup 框架按同样的工具和轮数上限跑一遍。选型时别只看总分：做建筑、工程审图的团队应看分行业成绩，预算敏感的场景可参考 AA 的成本与得分散点图，在 Pareto 前沿上挑模型。