测评排名 · 国产大模型榜单速览

SuperCLUE（月度）：中文通用大模型综合测评，现仅收录国内模型，总分由数学推理、幻觉控制、科学推理、精确指令遵循、智能体编程、智能体任务规划六个维度构成，闭卷私有题库。
OpenCompass 司南（上海AI实验室）：CompassRank 综合榜 + CompassArena 真人对战榜，开源可复现评测框架，2025 年发布司南 2.0。
国际基准：AIME（数学竞赛）、GPQA-Diamond（科学问答）、SWE-bench Verified（真实软件工程）等，用于中外横向对比。

读榜提示：各榜单更新频繁、口径不一，本页给出的是梯队格局与公开分数快照；正式选型请以榜单官网当期报告 + 自有业务集实测为准。

国产竞争梯队

综合公开榜单与官方技术报告的格局判断（2026-10）

T1第一梯队

DeepSeek V4.1-Flash / V4-ProKimi K3.1 ProGLM-5.3Qwen3.7-Max豆包 Seed 2.1 Pro

2025 年中以来，DeepSeek-R1/V3 系、GLM-4.5、Qwen3、Kimi-K2 长期占据 SuperCLUE 国产榜前列；2026 年 V4 / K3 / GLM-5 / Qwen3.7 接棒，梯队格局延续。

T2第二梯队

MiniMax M3 系腾讯混元 Hy4 / Hy3文心 ERNIE星火 X1Step-3LongCat-Flash

在特定维度（长上下文、中文语音、多模态、成本）具备与 T1 掰手腕的单项能力。

T3特色梯队

MiniCPM 4.0InternLM3日日新 V6天工 T1百灵 Ling-1T

端侧、学术、搜索增强等差异化路线。

官方技术报告口径，2025–2026 公开数据，供横向感知

基准	考察	国产代表成绩	海外参照
AIME 2025	数学竞赛	DeepSeek-R1-0528 ≈87.5；GLM-4.5 官方口径 98.6（含工具）；Kimi K2 ≈87.1	o3 high ≈96.7
GPQA-Diamond	科学问答	GLM-4.5 79.1；DeepSeek-R1 71.5；Kimi-K2 75.7	Grok-4 87.5 / o3 83.3
SWE-bench Verified	真实软件工程	Kimi-K2 65.8；GLM-4.5 64.2；DeepSeek V4 GA 80.6（2026-07 官方口径）	Claude 系约 80 领先
Terminal-Bench 4.0	智能体终端任务	DeepSeek-V4.1-Flash-1017 发布时同步刷新（2026-10-17）	—

分数为各厂商技术报告或公开报道口径，测试条件（如是否允许工具调用）不同，不可直接横向比较；海外模型分数仅作参照。

同源目录价 + 公开基准，口径全部标注

阵营	模型	输入 ($/M)	输出 ($/M)	输出价（以 Sonnet 5.5 = 1）
国产	DeepSeek-V4.1-Flash	0.1158	0.4633	0.06×
国产	豆包 Seed 2.1 Pro	0.3861	1.9305	0.25×
国产	GLM-5.3	1.0811	3.3977	0.44×
国产	Qwen3.7-Max	1.2741	3.8232	0.50×
国产	Kimi K3.1 Pro	1.5444	7.7220	1.00×
海外	Gemini 4 Argon	1.5444	7.7220	1.00×
海外	GPT-6.1 Sol	1.5444	7.7220	1.00×
海外	Claude Sonnet 5.5	1.5444	7.7220	1.00×（基准）
海外	Claude Opus 4.7	3.8610	19.3050	2.50×
海外	Claude Fable 5.1	7.7220	38.6100	5.00×

同一目录、同一时点快照（2026-10，官方原价），口径一致可直接比。国产旗舰输出价约为海外同级旗舰的 1/2 至 1/16，DeepSeek 高性价比档差距更大。

基准	国产最佳（公开口径）	海外参照	态势
AIME 2025 数学	GLM-4.5 98.6（含工具）；DeepSeek-R1-0528 87.5	o3 high 96.7	已达同级
SWE-bench Verified 编码	DeepSeek V4 GA 80.6（2026-07 官方口径）	Claude 系 ≈80	基本持平
GPQA-Diamond 科学	GLM-4.5 79.1；Kimi-K2 75.7	Grok-4 87.5；o3 83.3	落后约 8 分
综合榜位次	国产第一梯队居前列	Claude Opus 5.5 / Gemini 4 Argon / Claude Fable 5.1 居前三（2026-10 聚合站口径）	海外仍居榜首

编码与数学：已抹平代差。2025 年中国旗舰还落后海外一代，2026 年 DeepSeek V4 官方口径 SWE-bench 80.6、公开报道"逼近 Opus 4.8"，数学基准与 o3 同档。
价格：最确定的比较优势。同源目录下国产输出价约为海外同级 1/2–1/16；有第三方评测称 V4 定价约为 Fable 5 的 1/57（2026-07 口径）。
仍有差距：科学推理（GPQA）落后约 8 分；综合榜前三仍为海外模型；工具链生态、多语种与企业服务海外仍是默认选项。
选型结论：中文场景、成本敏感业务，国产旗舰是默认优选；追求极限能力与全球合规，海外旗舰仍占先。

基准分数为各厂商技术报告与公开报道口径，测试条件不同不可直接横比；海外分数仅作参照。价格随时可能调整，以各官方页面为准。

权重可公开下载的国产模型格局

开源 T1全面领先

DeepSeek V4 系列（MIT）Kimi K3（2.8T）Qwen3 开源系GLM 开源线

发布即登顶 HuggingFace Trending 的常客；Qwen 系衍生模型数与下载量全球领先（2025 官方口径：衍生模型 10 万+）。

开源 T2各擅胜场

混元 Hy4 PreviewLongCat-Flash百灵 Ling-1TStep-3ERNIE 4.5InternLM3

互联网大厂与学术系密集开源，覆盖 MoE、多模态、轻量端侧多种规格。

HuggingFace 官方 Open LLM Leaderboard 已于 2025 年停更，当前开源热度参考 Trending、下载量与 LMArena。