图像理解
主要用途：看图说话、OCR文字识别、图表数据提取、UI截图分析。
- GPT-4o：综合最强，OCR准确率高，能理解复杂图表和手写内容
- Claude Sonnet 4：图表分析细致，对技术图纸和数据可视化理解精准
- Gemini 1.5 Pro：支持视频帧理解，可分析长视频内容
- GLM-4V：中文图像场景最好，适合发票、证件、中文截图等国内场景
语音能力（STT/TTS）
- STT（语音→文字）：OpenAI Whisper 是目前最准确的方案，支持98种语言，中文识别率极高，开源可本地部署
- TTS（文字→语音）：OpenAI TTS-1 音质自然；Azure TTS 中文发音最地道，适合客服场景；ElevenLabs 适合内容创作
- Claude 和 Gemini 本身不直接提供语音接口，需配合第三方STT/TTS
代码生成对比
- Claude Sonnet 4：代码质量最高，注释完整，边界case考虑全面，重构能力强
- GPT-4o：生成速度快，工具调用稳定，适合需要实时交互的编程助手
- DeepSeek-Coder：专为代码训练，价格极低，补全任务可媲美GPT-4，适合高频代码场景
- GLM-4：Java/Python代码质量不错，适合国内后端开发
实用场景建议
- 📸 发票/票据识别 → GLM-4V（中文场景最优）
- 📊 图表数据提取 → GPT-4o 或 Claude（精确度更高）
- 🎤 语音客服 → Whisper(STT) + 业务LLM + Azure TTS
- 💻 代码助手 → Claude Sonnet 4 或 DeepSeek-Coder
- 🎬 视频内容分析 → Gemini 1.5 Pro（唯一支持长视频的主流模型）
国产多模态现状
GLM-4V 和通义千问-VL 的图像理解能力在中文场景下表现优秀，特别是对中文票据、证件、界面截图的识别准确率较高。但在复杂图表分析和手写识别方面，与GPT-4o仍有差距。随着模型迭代，差距在快速缩小。