SuperCLUE 刚刚发布了「 中文大模型基准测评2025年上半年报告 」，这个报告对于全球大模型的中文表现，和国产大模型的表现评测很全面，咱们一起看看。
报告有60页，分为下面四部分，咱们重点关注「一」「三」两部分，关键进展及趋势，评测结果与分析。
中文综合能力排行榜
在全球大模型综合能力排行榜中，综合六项任务：数学推理、科学推理、代码生成、Agent、幻觉控制和精准指令遵循，排名最高的还是 OpenAI o3 和 o4-mini(high)，Gemini-2.5-Pro 紧随其后，Doubao-Seed-1.6-thinking-250715 第三。
前十名中，国产大模型占据四席，11-18 位完全被国产大模型占领，主要国产团队包括：字节跳动、阿里、腾讯、智谱、商汤、百度、DeepSeek、月之暗面和 360.
上榜模型最多的是阿里，三种 Qwen3 模型上榜，OpenAI 和 Deepmind 分别有两种上榜。
总体来看，国产大模型距离全球 SOTA 已经非常接近，而且可喜的是，国产模型中开源模型居多，而上榜的国外模型都为闭源模型，这也凸显了国产大模型在开源领域的贡献和决心！
分项能力和模型象限
报告中的概述部分也印证了咱们的分析，而在分项能力上的象限分布也有说明，海外模型推理能力更强、国内模型开源优势明显、国内模型在 Agent 和幻觉控制方面表现很好，Qwen3 系列的小模型表现抢眼，在端侧推理（手机和智能设备）上应用前景很广。
性价比和推理效能
高性价比大模型分布中，除 Gemini-2.5-Flash 外，其他都是国产大模型，包括 Doubao、DeepSeek、Qwen3、Hunyuan 和 GLM，低性价比大模型中，以 Grok-4 价格最为夸张。
推理效能分布中，o4-mini(high)、Gemini-2.5-Pro、Claude-Opus-4-Reasoning 和 Gemini-2.5-Flash 的推理时间和推理分数分布为高区间，最适合高推理型任务。
2025年上半年的AI关键进展
自2022年 ChatGPT 发布以来，全球 AI 发展掀起热潮，报告总结了过去两年半的三大阶段：
· 技术引领与生态构建：AI 基础技术快速迭代，产业生态初步形成。
· 多模态与深度推理：模型在处理文本、图像等多模态数据，以及复杂推理任务上取得突破。
· Agent 与 AGI 融合：Agent 成为热点，AI 开始从单一任务处理转向更综合的通用智能。
报告特别提到，国内 AI 团队在中文场景下表现突出，尤其在 Agent 应用和本地化场景优化方面。
2025年最值得关注的中文大模型及智能体全景图（墙裂建议收藏）
全景图以文本、多模态、行业和智能体四个维度展开，涵盖了全部国产模型和智能体，这里既有字节跳动、阿里、腾讯这样的大型团队，也有月之暗面、DeepSeek、智谱、MiniMax 这样的创业团队。
下面两个维度的对比趋势：国内外大模型、开源和闭源模型，可以看到国内外大模型的差距在不断变小，开源和闭源模型也在不断靠近！
SuperCLUE 大模型综合测评体系
关于 SuperCLUE 大模型综合评测基准框架，咱们简单看这张图来了解，除通用基准体系（包含6种任务），还有6种专项评测，涵盖了大模型从推理、应用、文本和多模型、Agent 能力和性能等方面。
国内外模型对比
这一部分聚焦于2025年上半年国内外大模型的性能差距、优势领域以及性价比分析，提供了对全球AI生态的全面观察。以下是详细解读：
1. 国内外模型性能差距
报告通过 SuperCLUE 的通用基准测评，分析了国内外大模型在多个任务上的表现：
国外模型：
· 优势：国外头部模型（如 OpenAI o3、o4-mini(high)、Gemini-2.5-Pro、Claude-Opus-4-Reasoning）在综合能力上占据领先地位，尤其在推理任务（如数学推理、科学推理）和多模态处理上表现强劲。例如，o4-mini(high) 在总榜中以66.14分排名第三，展现了高效推理和快速响应的能力。
· 特点：国外模型通常在模型规模、训练数据多样性和算法优化上投入巨大，推理时间短（平均60秒以内），适合高负载、复杂任务场景。
· 不足：在中文场景下的适配性稍显不足，尤其在本地化任务（如中文智能体场景）中，表现不如国内模型贴合实际需求。
国内模型：
· 优势：国内模型在中文环境下的表现突出，尤其在智能体任务、代码生成和本地化场景（如智能家居、个性化服务）中占据优势。例如，DeepSeek-R1-1028、Doubao-Seed-1.6-thinking-25071 等模型在代码生成任务中得分高达36.9，超越部分国际模型。
· 特点：国内模型更注重中文语料优化和本地化场景设计，性价比高，适合中国市场的实际应用。报告特别提到，DeepSeek-R1-0522 的发布显著缩小了开源和闭源模型之间的性能差距。
· 不足：在综合效能（推理速度、模型规模）和某些高阶推理任务（如复杂数学推理）上，国内模型与国际顶尖模型仍有差距。例如，DeepSeek-V3-0324 在创作型生成任务中仅得44.41分，低于国外头部模型。
· 动态变化：报告指出，过去一年（2024年下半年至2025年上半年），开源与闭源模型的性能差距呈现动态变化。2024年下半年，OpenAI o1 系列闭源模型拉大了差距；2025年初，DeepSeek-R1 开源模型的发布缩小了差距；随后，OpenAI o3、o4 系列再次扩大差距，但 DeepSeek-R1-0522 的更新又一次拉近了距离。这种“追赶与反超”的动态反映了国内 AI 研发的快速进步。
2. 端侧小模型的崛起
报告特别强调了国内在 5B-10B 参数规模的端侧小模型上的突破：
· 代表模型：阿里 Qwen3-4BThinking 以39.21分位居端侧小模型榜首，在智能体任务和幻觉控制中表现卓越，得分超过60%。百度等企业的端侧模型也在手机、PC、机器人等场景中展现了高效运行能力。
· 应用场景：这些小模型在本地化场景（如智能家居、服务机器人）中表现出色，推理速度快，资源占用低，非常适合边缘设备部署。
· 对比国外：国外小模型（如 Gemini-2.5-Flash）在综合性能上稍胜，但国内模型在中文场景的适配性和成本控制上更具优势。例如，Qwen3-1.7BThinking 在代码生成任务中得分34.46，但在智能体任务中得分较低，显示出小模型在复杂任务中的局限性。
3. 性价比与效能分析
性价比分布：
· 国内头部模型：如 GLM-4.5、Doubao-Seed-1.6-thinking-250715、Qwen3-235B-A22B-Thinking-2507 在性价比上优于国外模型，价格较低（部分低于9元/百万 Tokens），但性能稳定，适合大规模商用。
· 国外头部模型：如 o3、o4-mini(high) 性能强劲，但价格较高（o3每百万 Tokens 价格远超国内头部模型），性价比相对较低。
· 中低价模型：国内中低价模型得分在56-60分之间，性能稍逊，但成本优势明显，适合预算有限的场景。
效能分布：
· 国外模型：如 o4-mini(high)、Gemini-2.5-Pro 在高效能区（推理时间60秒以内，得分60+）表现突出，适合高性能需求场景。
· 国内模型：SenseNova V6 Reasoner 是国内唯一进入高效能区的模型，Qwen3-235B-A22B-Thinking-2507 也接近这一水平。其他国内模型在推理时间和综合得分上仍有优化空间。
· 差距原因：国外模型得益于更大的训练规模和数据多样性，而国内模型在本地化优化和成本控制上更具优势。
4. 关键趋势
· 国内模型的本地化优势：在中文场景（如智能客服、医疗问答）中，国内模型的语义理解和文化适配能力更强。
· 开源模型的进步：DeepSeek-R1 系列的迭代表明，开源模型正在快速追赶闭源模型，未来有望进一步缩小差距。
· 小模型的潜力：端侧小模型在资源受限环境下的表现越来越受到关注，国内企业在这一领域已形成竞争优势。
代表性模型分析
这一部分深入分析了几个具有代表性的模型，重点探讨其在SuperCLUE评测中的表现，以及对行业发展的启示。报告特别提到了 kimi-k2-0711-preview 和 Doubao-Seed-1.6-thinking-250715 等模型，以下是详细解读：
1. kimi-k2-0711-preview
背景：kimi-k2-0711-preview是国内某AI机构（可能是月之暗面Moonshot AI）推出的一款模型，专注于中文场景的优化，定位于高效推理和智能体任务。
评测表现：
· 智能体任务：在 AgentCLUE-General 基准中，kimi-k2 表现出色，尤其在交互式场景（如智能家居、个性化服务）中，任务完成率高，系统响应准确。
· 精准指令遵循：在 SuperCLUE-CPIF（中文精确指令遵循）测试中，kimi-k2 能准确理解复杂指令，生成符合格式要求的输出，特别是在文本编辑和格式化任务中得分较高。
· 幻觉控制：在 SuperCLUE-Faith/Fact 测试中，kimi-k2 在避免虚构信息方面表现稳定，得分超过60，表明其在中文语境下的事实准确性较强。
· 不足：在高阶数学推理和多模态任务（如 SuperCLUE-VLR 视觉推理）中，kimi-k2 的得分略低于国外头部模型，显示出在复杂推理和跨模态处理上的局限性。
· 意义：kimi-k2-0711-preview 代表了国内模型在本地化场景中的竞争力，适合需要快速响应和精准输出的应用场景，如智能客服、内容生成等。
2. Doubao-Seed-1.6-thinking-250715
背景：Doubao-Seed-1.6-thinking-250715 由字节跳动开发，是一款兼顾性能和成本的模型，特别优化了智能体和代码生成能力。
评测表现：
· 代码生成：在 SuperCLUE 的代码生成任务中，Doubao-Seed-1.6-thinking-250715 得分36.9，超越多个国内外模型，展现了其在编程任务（如算法生成、代码调试）中的强大能力。
· 智能体任务：在 AgentCLUE-General 测试中，该模型在复杂交互场景（如多轮对话、智能家庭控制）中表现突出，任务完成率和系统稳定性均名列前茅。
· 性价比：以较低的每百万 Tokens 成本（接近国内头部模型的平均水平），提供了接近国际顶尖模型的性能，性价比优势显著。
· 幻觉控制：在 SuperCLUE-Faith 测试中，得分超过60，表明其生成内容的可靠性较高，适合需要高事实准确性的场景（如教育、医疗）。
· 不足：在高阶推理任务（如数学推理、科学推理）中，得分略低于 OpenAI o3、o4 系列，推理时间也稍长。
· 意义：Doubao-Seed-1.6-thinking-250715 是国内模型在性能与成本平衡上的典范，特别适合企业级应用和资源受限场景。
3. 其他代表性模型
· Qwen3-235B-A22B-Thinking-2507：阿里开发的这款模型在端侧小模型榜单中表现突出，尤其在智能体任务和幻觉控制上得分高，适合边缘设备部署。
· DeepSeek-R1-0528：作为开源模型的代表，DeepSeek-R1在多次评测中展现了与闭源模型竞争的潜力，尤其在代码生成和中文语义理解上进步显著。
4. 代表性模型的启示
· 本地化优化：国内模型如 kimi-k2 和 Doubao-Seed 在中文场景中的表现证明了本地化训练的重要性，尤其在文化适配和语义理解上。
· 性价比驱动：这些模型以较低的成本提供了高性能输出，适合中小企业和本地化应用，推动了 AI 的普及化。
· 开源与闭源的竞争：DeepSeek-R1 等开源模型的快速迭代表明，国内 AI 生态在开源领域正迎头赶上，为全球开发者提供了更多选择。
结语
2025年上半年，AI 领域呈现出技术突破与产业化并重的趋势。国内大模型在中文场景下的优化和端侧小模型的崛起成为亮点，DeepSeek-R1、Doubao-Seed-1.6-thinking-25071 等模型展现了强劲竞争力。国外模型虽然在综合性能上领先，但在中文场景和性价比上稍逊一筹。SuperCLUE 的评测数据表明，国内 AI 通过快速迭代和开源生态的壮大，正在逐步缩小与国际头部模型的差距。
这一部分的洞察为企业和开发者提供了清晰的技术选型参考。例如：
· 企业用户：可选择 Qwen3-4BThinking 等端侧小模型，用于资源受限的场景如智能家居。
· 开发者：可利用 DeepSeek-R1 等开源模型，基于其高性价比进行定制化开发。
· 行业应用：教育、医疗等领域可优先考虑国内模型，以获得更好的本地化支持。
信息卡提示词
[提示词分享] 为文字内容生成精美网页信息风格和布局 (便当、科技风、杂志等)，适用于国内外所有闭源和开源模型