拿模拟器截图考模型认老游戏，它连 MD 和 SFC 版都能搞混

最近我自己换了个玩法：不写文字题，直接把模拟器画面截图丢给模型，问它是哪台主机、哪款游戏，再让它说判断依据。这比刷榜有意思。claude 对封面和 UI 版式比较敏感，对话框边框、字体一眼能分个大概；deepseek 开 reasoning 之后，思维链里先猜世代、再对分辨率和配色，路子挺清楚，但它把同一款游戏的家用机移植版和街机原版搞混，理由还写得特别自信。 我觉得这活儿考的是“能不能把画面细节当证据”，跟当年翻杂志截图猜游戏一个味——猜对了不算本事，说得出为什么才算。麻烦的是想认真评就得自己攒一套带标注的截图，工作量不小。有没有人也这么测多模态的？想听听你们评分口径怎么定。