Модель за 2 цента против модели за доли цента: кто реально видит больше? 😳

🌐 Создать сайт: https://ypage.site Модель за два цента и модель за доли цента — кто увидит на картинке больше? Мы прогнали двадцать vision-моделей через OpenRouter на одной специально собранной картинке и сравнили не «красоту текста», а два рабочих навыка: понять сцену и попасть боксом в нужный объект. Для сервисов вроде Ypage это практичный вопрос: когда ИИ смотрит референс сайта, скрин интерфейса или кадр ролика, важнее не красноречие, а точность — что там есть и где именно. Что в тесте: — Describe: «Что на картинке?» — сверяли с чеклистом из 15 пунктов. — Ground: найти четыре цели и вернуть JSON с боксами box_2d в координатах 0–1000, считали IoU с ручным эталоном. В сетке — OpenAI, Google, Anthropic, Qwen, DeepSeek, Meta, плюс Grok, GLM и Mistral. Весь осмысленный пакет describe + ground обошёлся примерно в $0.20, с отладкой — ближе к $0.40. Главное: — На describe дешёвые Flash и VL закрывают чеклист не хуже Opus и Pro. — На ground лидируют Gemini 3.5, Sol, Qwen 8B, Luna и DeepSeek Flash. — Opus на describe 15/15, а на ground mean IoU всего 0.205. — Поворот UI и мелкий знак — узкие места даже у сильных. Describe и ground — разные навыки. Модель может идеально пересказать кашу и при этом промахнуться боксом по нужной строке заказа. Шпаргалка простая: сначала «что видишь», потом «обведи вот это» — и смотри на цифры, а не на название в прайсе. Модели меняются быстро; метод остаётся тем же. #ИИдлясайтов #созданиесайтасИИ #нейросетидлясайтов #AIконструктор #конструкторсайтов #AIагент #YPage