5月28日，SuperCLUE团队发布了2025年5月中文大模型综合性测评基准报告，对国内外43个大模型进行了全面评估。报告显示，OpenAI的o4-mini(high)以70.51分的总分位居榜首，在推理、代码生成、智能体等多个维度展现出卓越能力，领先国内最好模型7.35分。国内模型虽在综合能力上仍有差距，但在文本创作、代码生成等细分领域表现突出，部分指标甚至超越海外模型。
国内外模型差距缩小，但指令逻辑仍是短板
报告指出，过去25个月中，国内外大模型在中文领域的通用能力差距逐步缩小。然而，国内模型在指令逻辑任务上表现较弱，得分最高的Hunyuan-T1-20250403（36.97分）与o4-mini(high)相差31.1分，显示出较大的提升空间。
国内模型亮点频现
字节跳动的Doubao-1.5-thinking-pro-250415在文本理解与创作任务中以81.04分领先其他模型；阿里巴巴的Qwen3-235B-A22B在代码生成任务中取得90.53分，与海外顶尖模型差距微小。此外，小参数模型如Qwen3系列展现出惊人潜力，其中4B、8B和14B版本在推理任务上分数均超过50分，超越部分闭源大模型。
开源模型与性价比优势
国内开源模型表现抢眼，深度求索的DeepSeek-R1和阿里巴巴的Qwen3系列在中文场景下领先全球开源生态。国产模型在性价比方面优势显著，如DeepSeek-V3-0324以低价格实现高质量输出，而海外模型如Gemini 2.5 Pro虽性能优异，但价格高昂。
成熟度分析：文本理解能力最强，科学推理待提升
国内大模型在文本理解与创作任务上成熟度最高（SC指数0.91），而科学推理（0.26）和数学推理（0.38）仍处于低成熟度区间，需进一步优化。
未来展望
SuperCLUE团队表示，随着AI技术快速发展，国内模型在特定领域已具备与国际竞争的实力，但需在指令逻辑、多模态交互等方向持续突破。报告还呼吁业界关注小参数模型的极致性价比潜力，以推动端侧应用的广泛落地。
此次测评覆盖数学推理、科学推理、代码生成等六大任务，题目全部原创，每两个月更新一次题库，确保测评的客观性和时效性。SuperCLUE作为独立第三方测评机构，致力于为行业提供专业参考，助力中文大模型技术发展。