README.zh.md: add zero-shot image results

README.zh.md

@@ -10,6 +10,7 @@
 - **更不容易被植入的指令带偏**：状态里植入的指令改变答案的比例从 Gen3 的 3.4% 降到 1.6%；换成训练里没见过的注入模板，从 10.2% 降到 6.2%。
 - **概率经过校准**：权重里已折入一个温度。按榜单的方法计算，ECE 约 0.04-0.05（榜单中位数 0.084），Brier 分数约 0.29-0.31，在榜单 114 个模型里约排第 2-3，见[校准](#校准)。
 - **其他评测与 Gen3 持平**：JevBench / JevBench 难题集 86.1 / 72.1（Gen3 为 86.6 / 72.1），Open-Jev 1.1 测试 / OOD 88.4 / 87.1（88.4 / 87.2），C-Eval 78.7（79.2）。
+- **没有做过图片训练，也能处理图片**：Gen4 只用文本训练，但推理接口支持图片输入，决策能力能迁移到图片上。在我们按 Decision Index 0.3.1 视觉榜公开套件复现的评测上得分 66.4，同一套评测下原版 Qwen3.5-4B 为 59.4（自测），见[图片输入](#图片输入零样本)。
 - **拳皇 '98 评测：对 Jev 1.13 为 14 胜 3 负 1 平，对 StartLux-Decision-4B 为 10 胜 4 负 4 平**（单回合同角色镜像对战），打法见[游戏评测](#游戏评测拳皇-98)。
 - 整个迭代循环由 AI Agent 端到端执行：分析模型在哪些领域效果不佳，提出针对性的数据组，构建数据并去污染，训练、评测，最后根据证据决定保留还是否决这次改动。这一版具体做了什么见[本版做了什么](#本版做了什么)。
 
@@ -144,6 +145,32 @@ curl -s http://127.0.0.1:8080/v1/systemone -H 'Content-Type: application/json' -
 - 目前仅用于探索该模型在 RPA 自动化等领域的情况，并验证存在一定的泛化性。
 - 任务是从目标元素和页面上随机抽取的最多 5 个其他候选里选出目标，比 Mind2Web 原始评测简单，因此请勿与其排行榜比较。
 
+### 图片输入（零样本）
+
+- **没有图片训练**：Gen4 保留了底座原装、未经改动的视觉部分，训练中没有用过任何图片。`knowline_server.py` 支持在对话状态里放 OpenAI 格式的 `image` / `image_url` 内容并转给 SGLang，每道题仍只做一次前向计算。
+- **评测方法**：我们按榜单公布的说明，尽量还原了 Decision Index 0.3.1 视觉榜的公开套件：11 个基准，能对上的都按榜单题量，图片上限 1.6 MP，按扣除随机水平的 skill 计分，按榜单权重加权。用发布的服务端跑了一遍，共 12,192 个请求，0 失败。
+
+
+| 基准                         | Gen4     | 原版 Qwen3.5-4B（同一前端） |
+| -------------------------- | -------- | ------------------- |
+| CV-Bench                   | 75.7     | 72.1                |
+| BLINK                      | 58.1     | 59.9                |
+| RealWorldQA                | 64.7     | 59.7                |
+| CharXiv                    | 66.3     | 52.4                |
+| InfographicVQA             | 86.3     | 73.2                |
+| Mind2Web                   | 77.4     | 65.3                |
+| Winoground                 | 80.5     | 73.5                |
+| KIE（CORD+FUNSD）            | 95.5     | 95.7                |
+| 内容审核（Hateful Memes）        | 27.1     | 18.4                |
+| R-Bench-M                  | 14.6     | 6.3                 |
+| MMMU-Pro vision            | 31.9     | 21.4                |
+| **加权公开分**                  | **66.4** | 59.4                |
+
+
+- **决策能力能泛化到图片**：Gen4 比原版高 7.0，提升最多的是图表、信息图、网页截图和试卷类题目，而训练中没有任何图片数据。
+- **仅供参考**：以上是我们在自行复现的题集上的自测结果，不是榜单的官方题目。我们的 CharXiv 干扰项偏向数值题，Mind2Web 的标注框和 KIE 题目由我们自行构造。
+- **较弱的部分**：Hateful Memes、R-Bench-M 和 MMMU-Pro 的专业题，以及 BLINK（多图感知）。
+
 ### 游戏评测（拳皇 '98）
 
 - **赛制**：单回合同角色镜像对战，每组 18 局，每步选概率最高的动作，设置与 Gen1-Gen3 相同。
@@ -191,6 +218,7 @@ curl -s http://127.0.0.1:8080/v1/systemone -H 'Content-Type: application/json' -
 - **数学**：没有推理过程。0.3 重建版 GSM8K 为 61.6，与 Gen3 基本持平，分数来自 GSM8K 训练集按同样格式改写后的训练。
 - **新领域**：在我们自建的、训练里没有的领域的任务上，Gen4 与 Gen3 基本持平（49.3 对 49.5）。这一版的进步在稳健性和校准，不在新领域能力。
 - **提示注入**：在我们的注入测试集上，状态里植入的指令约有 2% 的概率改变答案；换成训练里没见过的模板约为 6%。请把不可信文本清楚地隔开。
+- **图片**：没有针对图片做过训练。上面的图片分数是零样本、在我们自建题集上的自测结果，正式使用前请在自己的数据上再核对。
 - **私有测试**：公开套件上比 Gen3 多出的分数，大部分来自训练数据里有同类任务的基准，0.3 私有测试的涨幅可能小得多，��至更低。
 
 ## 引用