第 1 名
Gemini 2.5 Pro
74.7官方榜单
MMAR
千条真实视频音频多选题，评测模型在语音、环境声、音乐及混合场景下的多步深度推理。
收录成绩2020 个模型或系统
当前第一74.7Gemini 2.5 Pro
指标Avg全量题目的平均准确率（%），与官方 Leaderboard 的 Avg 列一致
数据时效人工整理整理于 2026-10-26 · 1 个数据源
第 2 名
Gemini 2.5 Flash
68.4官方榜单
第 3 名
Qwen3-Omni-Thinking（30B-A3B）
66.4官方榜单
排名表
显示 20 / 20
| 模态组合 | |||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 模型 | 机构 | 来源 | 备注 | ||||||||||
| 1 | Gemini 2.5 Pro | 74.7 | 67.3 | 56.8 | 82.0 | 100.0 | 84.9 | 80.5 | 66.7 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 1 名，访问于 2026-10-26；来源发布日期：2026-10-26；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。README 后续补充的结果，未给日期，按访问日 2026-10-26 记录。 | |
| 2 | Gemini 2.5 Flash | 68.4 | 60.0 | 53.4 | 77.2 | 63.6 | 76.2 | 69.5 | 75.0 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 2 名，访问于 2026-10-26；来源发布日期：2026-10-26；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。README 后续补充的结果，未给日期，按访问日 2026-10-26 记录。 | |
| 3 | Qwen3-Omni-Thinking（30B-A3B） | Alibaba | 66.4 | 57.6 | 44.7 | 78.2 | 63.4 | 75.2 | 69.5 | 79.1 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 3 名，访问于 2026-10-26；来源发布日期：2026-10-26；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。README 后续补充的结果，未给日期，按访问日 2026-10-26 记录。 |
| 4 | Gemini 2.0 Flash | 65.6 | 61.2 | 51.0 | 72.1 | 81.8 | 72.5 | 65.9 | 70.8 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 4 名，访问于 2026-10-26；来源发布日期：2025-05-19；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。论文（arXiv:2505.13032）Table 2 首次报告。 | |
| 5 | GPT-4o Audio | OpenAI | 63.5 | 53.9 | 51.0 | 70.4 | 63.6 | 72.5 | 62.2 | 75.0 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 5 名，访问于 2026-10-26；来源发布日期：2025-05-19；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。论文（arXiv:2505.13032）Table 2 首次报告。 |
| 6 | Omni-R1（8.4B） | — | 63.4 | 67.3 | 51.5 | 64.3 | 45.5 | 70.2 | 64.6 | 70.8 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 6 名，访问于 2026-10-26；来源发布日期：2026-10-26；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。README 后续补充的结果，未给日期，按访问日 2026-10-26 记录。 |
| 7 | Qwen2.5-Omni（10.7B） | Alibaba | 56.7 | 58.8 | 40.8 | 59.9 | 54.5 | 61.9 | 67.1 | 58.3 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 7 名，访问于 2026-10-26；来源发布日期：2026-10-26；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。README 后续补充的结果，未给日期，按访问日 2026-10-26 记录。 |
| 8 | Qwen2.5-Omni（5.5B） | Alibaba | 53.8 | 53.9 | 46.1 | 53.7 | 36.4 | 60.1 | 57.3 | 58.3 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 8 名，访问于 2026-10-26；来源发布日期：2025-05-19；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。论文（arXiv:2505.13032）Table 2 首次报告。 |
| 9 | GPT-4o mini Audio | OpenAI | 50.6 | 38.8 | 35.9 | 58.8 | 45.5 | 60.1 | 57.3 | 50.0 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 9 名，访问于 2026-10-26；来源发布日期：2025-05-19；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。论文（arXiv:2505.13032）Table 2 首次报告。 |
| 10 | R1-AQA（8.4B） | — | 47.6 | 55.8 | 37.4 | 49.0 | 9.1 | 50.0 | 50.0 | 50.0 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 10 名，访问于 2026-10-26；来源发布日期：2026-10-26；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。README 后续补充的结果，未给日期，按访问日 2026-10-26 记录。 |
| 11 | Baichuan-Omni-1.5（11B） | Baichuan | 40.7 | 41.2 | 33.0 | 40.5 | 36.4 | 48.6 | 39.0 | 41.7 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 11 名，访问于 2026-10-26；来源发布日期：2025-05-19；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。论文（arXiv:2505.13032）Table 2 首次报告。 |
| 12 | Audio-Reasoner（8.4B） | — | 36.8 | 43.6 | 33.5 | 33.0 | 45.5 | 42.7 | 31.7 | 25.0 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 12 名，访问于 2026-10-26；来源发布日期：2025-05-19；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。论文（arXiv:2505.13032）Table 2 首次报告。 |
| 13 | SALMONN（7B） | — | 32.8 | 30.9 | 29.6 | 34.4 | 9.1 | 37.6 | 28.1 | 37.5 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 13 名，访问于 2026-10-26；来源发布日期：2025-05-19；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。论文（arXiv:2505.13032）Table 2 首次报告。 |
| 14 | Audio-CoT（8.4B） | — | 31.3 | 35.8 | 25.2 | 34.0 | 9.1 | 30.7 | 30.5 | 37.5 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 14 名，访问于 2026-10-26；来源发布日期：2025-05-19；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。论文（arXiv:2505.13032）Table 2 首次报告。 |
| 15 | Qwen2-Audio（8.4B） | Alibaba | 30.4 | 33.9 | 23.3 | 33.0 | 9.1 | 33.0 | 26.8 | 33.3 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 15 名，访问于 2026-10-26；来源发布日期：2025-05-19；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。论文（arXiv:2505.13032）Table 2 首次报告。 |
| 16 | Mellow（167M） | — | 30.0 | 33.3 | 26.7 | 24.8 | 18.2 | 37.2 | 32.9 | 29.2 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 17 名，访问于 2026-10-26；来源发布日期：2025-05-19；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。论文（arXiv:2505.13032）Table 2 首次报告。 |
| 16 | Qwen2-Audio-Instruct（8.4B） | Alibaba | 30.0 | 33.3 | 24.3 | 32.3 | 9.1 | 31.2 | 30.5 | 25.0 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 16 名，访问于 2026-10-26；来源发布日期：2025-05-19；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。论文（arXiv:2505.13032）Table 2 首次报告。 |
| 18 | OpenOmni（8B） | — | 27.0 | 20.6 | 22.3 | 35.4 | 18.2 | 27.1 | 23.2 | 25.0 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 18 名，访问于 2026-10-26；来源发布日期：2025-05-19；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。论文（arXiv:2505.13032）Table 2 首次报告。 |
| 19 | Audio Flamingo（2.2B） | — | 26.6 | 32.7 | 21.8 | 24.8 | 18.2 | 30.3 | 24.4 | 25.0 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 19 名，访问于 2026-10-26；来源发布日期：2025-05-19；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。论文（arXiv:2505.13032）Table 2 首次报告。 |
| 20 | GAMA（7B） | — | 26.5 | 29.1 | 24.3 | 27.9 | 27.3 | 24.8 | 28.1 | 20.8 | 官方榜单 | 2026-10-26 | 定位：官方 README Leaderboard，原生音频输入（LALM/LARM/OLM）按 Avg 降序第 20 名，访问于 2026-10-26；来源发布日期：2025-05-19；MMAR 作者统一评测；Avg 为百分制准确率；不含 Caption+LLM/LRM 分支。论文（arXiv:2505.13032）Table 2 首次报告。 |
榜单说明
第 5 批接入转录仓库 README Leaderboard 的 Markdown 主表（访问于 2026-10-26）：直接以音频为输入的 LALM、LARM、OLM 三类模型按 Avg 降序取前 20 名，不含 Caption+LLM/LRM 分支与 Random Guess，也不含 Interspeech 2026 Audio Reasoning Challenge 的独立榜单。各子项均为准确率（越高越好）。README 不给逐条日期：论文 Table 2 已有的模型记论文日期，README 后续补充的模型按访问日记录。
- 指标
- Avg：全量题目的平均准确率（%），与官方 Leaderboard 的 Avg 列一致（越高越好）
- 子项
- 模态组合SoundMusicSpeechSound-MusicSound-SpeechMusic-SpeechSound-Music-Speech
- 数据源
- 来源类型
- 官方榜单 20
分数取自数据源原文；同一模型在不同评测设置或不同来源下分别列出，来源冲突时全部保留并标注来源类型。
更新记录
0 条首次同步作为基线，之后新上榜、分数变化和移除的条目会记录在这里。