大哥们，多模态大模型，能给个对比吗？

让 ai 监控画面，然后自动执行处理，7*24 运行，哪家比较合适？另外不能太慢，那 chatgpt5.6 sol 跑了一天，效果挺不错的，但是太慢了，一次请求要 10s 左右，延长太高经常出问题。

以前在 v 站看到一个模型对比表格，列出了各个模型的参数量、价格、跑分，但是现在搜不出来了，哪个大哥能再给一个吗

多模态

监控

效率

25 replies • 2026-09-08 00:57:04 +08:00

clemente

15h 9m ago

哥们 NASA 都不敢这么用

AutumnVerse

13h 19m ago via iPhone

@clemente ？有啥问题吗？成本太高？

sol 跑了一天，几千块钱成本而已，也可能是 sol 太慢了，10 秒左右才返回一次。

ruanimal

12h 49m ago

一天几千块而已。。

clemente

12h 49m ago

@AutumnVerse 首先多模态的模型不是干监控的。99%的多模态就是画面描述器的胶水模型和 LLM 投影沾到一起的

我不知道你实际的工作需求，如果能走 cli 还是尽可能走 cli 或者 headless

wizChen

11h 39m ago

这种本地部署比较好吧

Nasdaq

11h 37m ago

这，OP 拿一张监控画面跑一下看看成本，要是 24 小时非常夸张的。。。

AutumnVerse

11h 29m ago via iPhone

就是拿来跑监控的，把图片压缩到 480p ，token 消耗还行，唯一问题是 sol 太慢了，处理一帧要 10s ，取下一帧的时候已经过了 10 多秒了，这期间如果出现异常又消失了，ai 就监控不到了。

成本那是老板考虑的，我知道 yolo ，也知道传统的 opencv 里面的算法，但是你用那些算法做出来，老板怎么给投资人吹牛逼，你连大模型都没用上，谁给你投资。
@Nasdaq
@ruanimal

AutumnVerse

11h 24m ago

@clemente 现在是写了一个程序，把相关画面抽帧给 ai ，让 ai 发现某些事件，调用对应的 function 处理。

主要问题是 sol 太慢了，导致抽帧非常少，两帧中间的内容就丢掉了。尝试了 gemini flash 3.8 ，看统计也要 4s 左右一次，也没快多少。

Nasdaq

11h 22m ago

@AutumnVerse #7 这是我一个类似项目用 gemini-3.7-flash 做图片理解（仅供参考），图片分辨率大概 1080p 左右

Routing 197ms
Google 2.6s
Generation 8.5s
Total 11.3s

Cost $0.00632
Throughput 179.0tok/s