行业研究公司研究宏观策略财报招股书会议纪要 Token 低空经济十五五 AIGC 大模型

中文大模型基准测评2025年年度报告：2026开年特别版：含1月底重磅模型动态评测

信息技术 2026-02-04 - SuperCLUE团队周剑

2025年中文大模型关键进展

大模型发展历程：经历了百模大战与多模态萌芽、多模态爆发与推理突破、智能体崛起与生态重构三个阶段。
2025年关键进展：低成本颠覆与开源生态崛起（DeepSeek-R1开源推理大模型）、架构创新与智能体落地（MoE架构、多模态融合、Manus等智能体产品）。
SuperCLUE 2025年全年通用基准测评海内外大模型Top3：
- 2026年1月：Kimi-K2.5-Thinking、Qwen3-Max-Thinking（国内Top1、Top2），海外Top3为GLM-4.7、ERNIE-5.0、Claude-Opus-4.5-Reasoning。
- 2025年11月：DeepSeek-V3.2-Special（国内Top1），海外Top3为GPT-5.2(high)、GPT-5.1(high)、Claude-Opus-4.5-Reasoning。
- 2025年9月：Kimi-K2-Thinking、DeepSeek-V3.2-Exp-Thinking（国内Top1、Top2），海外Top3为Qwen3-Max、openPangu-Ultra-MoE-718B、GPT-5.1(high)。
- 2025年7月：DeepSeek-V3.1-Thinking（国内Top1），海外Top3为GPT-5(high)、o3(high)、o4-mini(high)。
- 2025年5月：Doubao-1.5-thinking-pro-250415、SenseNova V6 Reasoner（国内Top1、Top2），海外Top3为o4-mini(high)、Gemini 2.5 Pro Preview 05-06、Claude-Opus-4-Reasoning。
- 2025年3月：DeepSeek-R1（国内Top1），海外Top3为o3-mini(high)、Claude 3.7 Sonnet、GPT-4.5-Preview7。

2025年年度测评结果与分析

测评介绍：SuperCLUE 2025年年度中文大模型基准测评包含六大任务：数学推理、科学推理、代码生成、智能体(任务规划)、精确指令遵循、幻觉控制。
全球大模型中文智能指数排行榜：海外闭源模型占据头部，国产闭源模型追赶，国产开源模型领先海外开源模型。
SuperCLUE模型象限：海外闭源模型为卓越领导者，国产闭源模型为技术领跑者，国产开源模型为潜力探索者。
SuperCLUE模型能力格局：全能稳健型、硬核理科型、综合能力待提升区。
SuperCLUE 2025年年度测评六大任务国内Top3：
- 数学推理：Qwen3-Max-Thinking、Kimi-K2.5-Thinking、DeepSeek-V3.2-Thinking。
- 科学推理：DeepSeek-V3.2-Thinking、Qwen3-Max-Thinking、Doubao-Seed-1.8-251228(Thinking)。
- 代码生成：Kimi-K2.5-Thinking、Qwen3-Max-2025-09-23、Kimi-K2-Thinking。
- 智能体(任务规划)：GPT-5.2(high)、Qwen3-Max-Thinking、Kimi-K2.5-Thinking。
- 精确指令遵循：Claude-Opus-4.5-Reasoning、ERNIE-5.0、Doubao-Seed-1.8-251228(Thinking)。
- 幻觉控制：GPT-5.2(high)、GLM-4.7、Doubao-Seed-1.8-251228(Thinking)。
海内外大模型对比分析：
- 推理能力：海内外模型高度对齐，国内模型在代码和智能体任务上表现更佳，精确指令遵循和幻觉控制是国内模型的短板。
- 开闭源大模型对比：闭源模型全方位领先，开源模型在推理能力继续追赶，代码已实现单点突破。
大模型性价比区间分布：国内模型较海外模型具有更高的性价比，国内头部模型以低于10元/百万Tokens的价格实现了接近国际顶尖模型的性能。
大模型推理效能区间分布：海外推理模型推理效能整体上显著领先于国内推理模型，国内模型实现“高性能+高效率”已初步显现。
代表性模型分析：
- Kimi-K2.5-Thinking：代码生成、智能体-任务规划、复杂推理能力突出，精确指令遵循和幻觉控制有待提升。
- Qwen3-Max-Thinking：复杂推理、智能体-任务规划能力突出，幻觉控制、精确指令遵循、代码生成有待提升。
评测与人类一致性验证：SuperCLUE得分与LMArena得分具有较高的一致性（皮尔逊相关系数0.8239，斯皮尔曼相关系数0.8321）。

SuperCLUE大模型中文竞技场

介绍：SuperCLUE大模型中文竞技场是一个大众投票的匿名评测平台，包含编程、图像、视频、音频四大板块。
板块介绍：
- 编程竞技场：前端网页竞技场。
- 图像竞技场：图像编辑竞技场、文生图竞技场。
- 视频竞技场：文生视频竞技场、图生视频竞技场、参考生视频竞技场。
- 音频竞技场：语音合成竞技场。

SuperCLUE专项测评基准介绍

Agent系列基准：
- EmbodiedCLUE-VLA：具身智能大脑测评基准。
- SuperCLUE-DeepSearch：中文深度搜索测评基准。
- AgentCLUE-Mobile：手机GUI Agent测评。
- AgentCLUE-CUA：Computer Use Agent测评。
- SuperCLUE-DeepResearch：中文深度研究测评基准。
- AgentCLUE-General：中文通用AI智能体基准测评。
- AgentCLUE-tGeneral：中文通用AI智能体基准测评（纯文本输入）。
Coding系列基准：
- SuperCLUE-SWE：中文软件工程测评基准。
- Agentic Coding：Agent 版 SC-SWE（SC-Agent）测评。
- SuperCLUE-WebCoding：中文前端开发测评基准。
多模态系列基准：
- SuperCLUE-VLM：中文多模态视觉语言测评基准。
- SuperCLUE-Image：中文文生图测评基准。
- SuperCLUE-T2V：中文文生视频测评基准。
- SuperCLUE-I2V：中文图生视频测评基准。
推理系列基准：
- SuperCLUE-VLR：中文视觉推理测评基准。
文本系列基准：
- SuperCLUE-Mkt：广告营销测评基准。
- SuperCLUE-CPIF：中文精确指令遵循测评基准。
- SuperCLUE-Faith：中文忠实性幻觉测评基准。
- SuperCLUE-Fact：中文事实性幻觉测评基准。
性能系列基准：
- DeepSeek-R1第三方联网搜索能力测试（网页端）。
- DeepSeek-R1第三方稳定性测试（API端）。
- DeepSeek-R1系列其余系列。

SuperCLUE介绍

SuperCLUE与传统测评的区别：维度Live更新、无数据污染、测评方式与用户交互一致、独立第三方。
SuperCLUE大模型综合测评基准榜单全景图：覆盖通用基准体系、文本系列基准、多模态系列基准、推理系列基准、Agent系列基准、AI应用系列基准、性能系列基准。
2025年年度测评模型列表：23个国内外有代表性的大模型。