把一张财报截图丢给大模型，让它把表格里的数字读出来，这在 2026 年本该是最稀松平常的请求。可真去翻聚合平台的模型目录会发现，同一批被冠以旗舰之名的模型里，有的压根不给你上传图片的入口，图片发过去只会撞回一句不支持。这跟模型聪不聪明无关，而是一个更靠前、却很少被认真核对的问题：在这个渠道、这个版本上，它到底接不接受图片输入。本篇要做的，就是把这件事拆成一张可以逐字段核对的参数表。先把分工讲清楚：站内先前的 LLM API 价格横评 拆的是单价幻觉、缓存命中与账单里的隐性成本，那是成本结构；本篇只回答三件事，谁接受图片输入、这些模型按什么参数被收录、按场景该怎么选，不展开账单隐性成本。本批另外几栏分别写发布动态、开源工具链与接入实操，角度也各不相同，这里不重复。
数据只有一处来源：2026 年 11 月 4 日对 OpenRouter 的 GET /api/v1/models 做的一次实抓，返回 453 个模型，其中 308 个在 architecture.modality 字段里带 image，也就是支持图片输入，占比接近七成。下面这张表从同一份响应里挑出八款常被放在一起比较的旗舰，逐字段抄录：输入模态取自 architecture.modality，上下文取自 context_length，价格取自 pricing 里的 prompt、completion 与 input_cache_read，并统一换算成每百万 token 的美元单价。有一句口径必须先钉死：表里的数字是 OpenRouter 在这一天的收录价，不是任何一家厂商的官方定价，也不是人民币刊例价；把两者混为一谈，后面所有比较都会歪。
八款旗舰的完整参数表
| 模型 ID | 输入模态 | 上下文 | 输入 $/1M | 输出 $/1M | 缓存读 $/1M |
|---|---|---|---|---|---|
tencent/hy4 | text+image | 1,048,576 | 0.417 | 1.2505 | 0.021 |
tencent/hy4-preview | text | 1,048,576 | 0.834 | 2.501 | 0.042 |
anthropic/claude-sonnet-4.5 | text+image+file | 1,000,000 | 3 | 15 | 0.30 |
openai/gpt-5.1 | text+image+file | 400,000 | 1.25 | 10 | 0.125 |
qwen/qwen3-vl-235b-a22b-instruct | text+image | 262,144 | 0.21 | 1.90 | 0.10 |
z-ai/glm-4.6 | text | 204,800 | 0.5 | 2 | 0.10 |
moonshotai/kimi-k2-thinking | text | 262,144 | 0.6 | 2.5 | 0.15 |
deepseek/deepseek-v3.2 | text | 163,840 | 0.26 | 0.38 | 0.13 |
读这张表之前，先记下三条边界。第一，architecture.modality 是聚合平台标注的输入模态，说明的是请求能带什么进去，不等于视觉能力强弱的实测结论，也不等于厂商官网列出的能力全集；某个格子写着 text，只代表该渠道该版本没开图片入口。第二，单价一栏是收录价而非官方定价，腾讯云 TokenHub 的人民币刊例价是另一套账，两者不能互相解释。第三，表里没有名次，也没有分数列，原因在后面单独一节讲。这三条不先立住，表格最容易被读成一张强弱榜，而那恰恰是本篇要避开的读法。
三档输入模态，而不是一个简单的开关
把输入模态这一列摊开，八款模型自然落成三档，而不是能不能看图这种非黑即白的二分。第一档是 text+image，两款，Hy4 正式版与 Qwen3-VL-235B，接受文字加图片，输出仍是文字。第二档是 text+image+file，两款，Claude Sonnet 4.5 与 GPT-5.1，在图片之外还接受文件输入。第三档是纯 text，四款，Hy4 preview、GLM-4.6、Kimi K2 Thinking、DeepSeek V3.2，在该渠道只收文字。八款里有四款被标成纯文本入口，正好一半，这说明「能看图」到 2026 年仍不是旗舰的默认配置项。
file 这一档值得单独拎出来，因为它直接决定了一类工作流可不可行。带 file 模态的两款，允许把 PDF、整份文档直接作为请求的一部分递进去；只标 text+image 的两款能读图，却未必接受原始文件；纯 text 的四款则既不吃图也不吃文件。如果你的场景是把一份几十页的扫描件或报表整个丢进去，先看有没有 file 这一档，比先比价格有用得多。反过来，如果任务只是识别一张截图里的图表，text+image 就已经够用，多出来的 file 能力并不会让答案更准。输入模态是入口清单，不是能力评分，把它当成能力评分读，就会得出「不支持图片输入等于模型差」这种并不成立的结论：可能只是该渠道该版本没提供图片入口，也可能要另走厂商原生 API 才有。入口写的是什么，和模型能做什么，本来就是两件事。
上下文与输出单价：两个各差一个数量级的落差
把视野从入口挪到窗口和价格，落差同样明显。上下文一栏，最长的是 Hy4 正式版与 Hy4 preview 的 1,048,576，最短的是 DeepSeek V3.2 的 163,840，两者相差约 6.4 倍；中间还有 Claude Sonnet 4.5 的 1,000,000、GPT-5.1 的 400,000，以及 Qwen3-VL-235B 与 Kimi K2 Thinking 同为 262,144。长文档场景的选型顺序应该是先看窗口再比单价：一份动辄几十万 token 的合同或代码库塞不进 163,840 的窗口，再便宜的输出价也用不上。
输出单价的跨度更大。Claude Sonnet 4.5 的每百万 token 输出价是 15 美元，DeepSeek V3.2 是 0.38 美元，约 39 倍；缓存读一栏也从 0.021 到 0.30 美元不等。但这两个数字不能单独拎出来排性价比，因为两者的输入模态根本不同：一个带 text+image+file，一个是纯 text，能干的活不是一回事。真正可能主导账单的往往是输出而非输入，所以预算紧张时该盯输出单价；可一旦任务需要看图，纯文本那档再便宜也进不了候选。把「谁更便宜」和「谁能接这个输入」拆成两个先后回答的问题，比在一张表里找最小值靠谱。缓存读价在提示词稳定复用的场景里也要一并算进去，别只看输入那一列就下结论。
Hy4 正式版与 preview：同一个名字，两套输入合同
这组对照是表里最有意思的一处。腾讯混元在 2026 年 11 月 4 日发布 Hy4 正式版，官方口径称首次引入视觉能力，列举细粒度图像处理、复杂图表分析、数学视觉推理，并首次支持电脑操作。OpenRouter 上 tencent/hy4 的输入侧标成 text+image、输出侧是 text，与这个口径对得上；而同门的 tencent/hy4-preview 仍是纯 text 到 text，一个名字之差，入口完全不同。想追这次发布了什么，可以看正式版发布热点，想回看更早的预览版开源讨论，则是preview 那一篇。
价格这一栏更容易被误读。Hy4 正式版输入 0.417、输出 1.2505、缓存读 0.021；preview 是输入 0.834、输出 2.501、缓存读 0.042。正式版的 0.417 恰好是 preview 0.834 的一半，输出也几乎是整齐的一半，但不要把这解释成官方降价，更不要套上什么五折。腾讯云 TokenHub 的人民币刊例价是输入 6 元、输出 18 元、缓存 0.3 元，且正式版与 preview 取同一套刊例价，和 OpenRouter 的美元收录价是两条独立口径；TokenHub 在 12 月 31 日前的五折是腾讯云自己的活动，既不覆盖 OpenRouter，也不构成对表内数字的解释。想按人民币口径接入，TokenHub 接入实操里另有一套账。还有一点别顺手脑补：Hy4 正式版的权重此刻尚未开源，官方说法是近期开源，所以本地自部署这条线暂时不能算它，也不能从「首次引入视觉能力」推出任何跨榜排名的说法。官方「最强开源模型之列」是自报口径，照录时带上这个限定就够了。
为什么这张表里没有分数：跨榜对比的边界
到这里必须回答一个迟早会被问到的问题：既然是横评，为什么没有名次，也没有 MMMU-Pro、SuperCLUE、OCRBench、OSWorld 之类的分数来排个高下。答案是本篇刻意不做跨榜排名，只用 OpenRouter 同一份 API 响应里的客观参数做表。不同榜单的评测设置不同，题目、提示词、采样与评分脚本都不一样，不可横向对齐；把甲榜的 Elo 和乙榜的准确率摆在一张表里比大小，是看起来最像结论、其实最站不住的一种写法。素材侦察里还见到一篇《国产原生多模态三强对决》，带明显厂商立场，豆包与 Qwen 的分数多处标注参考或暂未公开同口径，这类数字本篇一律不采信，连背景分都不引。
同理，本篇不做任何模型强弱或开源座次的跨榜结论。表和评述始终停在三件可核对的事上：输入模态是什么、上下文与单价是多少、按场景该怎么选。视觉能力强弱的实测、各家官网的能力全集、以及模型之间的综合高下，都不在这张表的射程内。明确不做什么，往往比多列几列数字更诚实。这也解释了为什么本表把三档输入模态、上下文与单价并列，却不肯添一列总分：那一列一旦出现，读者就会忍不住拿它去和别处的榜单对齐，而那种对齐恰恰没有意义。
按场景选型：五类需求对号入座
把前面几节收拢成可执行的建议，按需求对号入座，而不是按某一列数字排序。
读图表、截图、界面元素：至少要 text+image。表里够格的是 Hy4 正式版、Qwen3-VL-235B，以及带 file 的 Claude Sonnet 4.5 与 GPT-5.1；纯 text 那四款直接出局，跟它们的语言能力无关，只是入口不对。
直接喂文件：认准 file 模态。需要把 PDF、整份文档原样递进去时，只有 Claude Sonnet 4.5 与 GPT-5.1 在这一档；text+image 能读图，不等于能收原始文件。
长文档：先看上下文窗口。1,048,576 的 Hy4 正式版与 preview、1,000,000 的 Claude Sonnet 4.5 装得下超长材料，262,144 的 Qwen3-VL-235B 与 Kimi K2 Thinking 适中，163,840 的 DeepSeek V3.2 适合篇幅可控的输入。窗口够不够，是比单价更前置的门槛。
预算：盯输出单价而不是输入单价。输出 0.38 美元的 DeepSeek V3.2 与 15 美元的 Claude Sonnet 4.5 差约 39 倍，但前提是两者都能接下你的输入模态；缓存读价在提示词稳定复用的场景里也要一并算进去。
本地自部署：先看权重是否开放，而不是看收录价。Hy4 正式版权重此刻尚未放出，这条线暂时走不通；开源视觉模型工具链倒是可选项不少，用 vLLM 起推理服务、拿 Qwen3-VL 做视觉底座、或用 llama.cpp 在消费级硬件上跑量化模型，都是成熟路径。真要落地，显存怎么估、机器怎么配，见本地部署显存 SOP；开源权重与推理资源的清单，见本地推理开源资源。自部署把 token 账单换成显存与运维，划算与否取决于利用率，那是另一个话题了。
常见问题
Q1：表里的价格是厂商官方定价吗？
A1：不是。那是 OpenRouter 于 2026 年 11 月 4 日的收录价，统一换算成每百万 token 美元。腾讯云 TokenHub 的人民币刊例价输入 6 元、输出 18 元、缓存 0.3 元是另一套口径，TokenHub 在 12 月 31 日前的五折属于腾讯云活动，不套到 OpenRouter。做预算请回到对应渠道的当天说明。
Q2：输入模态标成 text，是不是说明模型没有视觉能力、或者模型比较差？
A2：都不能这么推。architecture.modality 是聚合平台标注的输入模态，不是视觉能力强弱的实测，也不等于厂商官网的能力全集。标 text 只说明该渠道该版本没有图片入口，可能是版本差异，也可能需要另走厂商原生 API；它和模型好不好是两件事。
Q3：Hy4 正式版输入 0.417 恰好是 preview 0.834 的一半，这是官方降价或五折吗？
A3：不是，也不该这么解释。两者是同一 API 里两套独立的收录数字，而腾讯云 TokenHub 的人民币刊例价对正式版与 preview 取同一套，和美元收录价并不互相解释；把腾讯云的促销活动套到 OpenRouter 上更是张冠李戴。看到整齐的一半，记成「两个字段恰好如此」就够了，别替厂商补一段不存在的定价故事。
Q4：能用这张表给模型排个强弱名次吗？
A4：不能。本篇刻意不做跨榜排名，只列同一 API 的客观参数。不同榜单评测设置不同，不可横向对齐，MMMU-Pro、SuperCLUE、OCRBench、OSWorld 之类的分数都没有被引来做排名；表里没有名次列，也不该被读成性价比榜。
Q5：想在本地跑视觉模型，该先看什么？
A5：先看权重是否开放。Hy4 正式版权重此刻尚未开源，官方称近期开源，暂时不能用于自部署；开源侧可以走 vLLM、Qwen3-VL、llama.cpp 这条工具链。再按显存与利用率估算成本，显存估算与装机流程可参照本地部署显存 SOP。
延伸阅读
- LLM API 价格横评：拆单价幻觉、缓存命中与账单隐性成本，与本篇的分工互补。
- Hy4 正式版发布热点：首次引入视觉能力与电脑操作的发布口径。
- TokenHub 接入实操：人民币刊例价与接入流程的另一套账。
- 本地部署显存 SOP：自部署路线的显存估算与装机流程。
- 本地推理开源资源：开源权重与推理工具链清单。