独立第三方测评机构SuperCLUE团队于2025年8月4日发布《中文大模型综合性测评基准2025年上半年报告》，对国内外45个主流大模型进行了全面评估。报告显示，海外模型在推理任务上优势显著，国产模型则在智能体、幻觉控制等任务中表现突出，开源模型领域中国已实现领先。
一、总体排名：海外模型占据前三
本次测评涵盖数学推理、科学推理、代码生成、智能体Agent、幻觉控制、精确指令遵循六大任务，题目总量1288道，全部为原创题目。
第一名：OpenAI o3（73.78分）
第二名：OpenAI o4-mini(high)（73.32分）
第三名：Google Gemini-2.5-Pro（68.98分）
国产最佳：字节跳动Doubao-Seed-1.6-thinking-250715（68.04分，全球第四）
国内外顶尖模型差距从5月的10.42%缩小至7.78%，显示国产模型正在迅速追赶。
二、国产模型亮点突出
1. 智能体任务全球领先
Doubao-Seed-1.6-thinking-250715以90.67分位列全球第一。
GLM-4.5、SenseNova V6 Reasoner以83.58分并列国内第二。
2. 幻觉控制表现优异
Doubao-Seed、ERNIE-X1-Turbo-32K-Preview、Hunyuan-T1-20250711包揽国内前三，与海外顶尖模型差距不足1分。
3. 开源模型显著领先
DeepSeek-R1-0528（66.15分）、Qwen3-235B-A22B-Thinking-2507（64.34分）、GLM-4.5（63.25分）位列开源榜前三。
海外最佳开源模型仅46.37分，落后国产模型近20分。
三、海外模型仍主导推理任务
o3在推理任务中获75.02分，领先国产最佳模型DeepSeek-R1-0528（65.74分）近10分。
海外模型在代码生成任务中也占据前五中的四席，闭源模型平均分（76.16）显著高于开源模型（54.94）。
四、小参数模型表现亮眼
在10B参数以下模型中：
Qwen3-8B(Thinking)以48.38分位居榜首，超越海外同规模模型。
端侧5B级别模型中，国产模型包揽前二，展现强大落地潜力。
五、性价比与效能分析
海外头部模型（如o3）价格高昂，性价比低于国产模型。
国产模型中，Hunyuan-T1、GLM-4.5、Doubao-Seed等兼具高性能与合理成本。
推理效能方面，海外模型响应更快，国产模型中仅SenseNova V6 Reasoner进入高效区。
六、专项能力成熟度
根据SC成熟度指数，国产模型在以下方面表现：
中成熟度（0.5–0.8）：数学推理、智能体、科学推理、代码生成
低成熟度（0.1–0.5）：幻觉控制、精确指令遵循
七、代表性模型分析
1. Doubao-Seed-1.6-thinking-250715：强于智能体、代码生成与幻觉控制。
2. DeepSeek-R1-0528：擅长复杂推理与精确指令遵循，开源模型第一。
3. GLM-4.5：智能体任务国内第一，科学推理领先。
4. kimi-k2-0711-preview：代码生成国内第三，推理能力突出。
八、专项基准扩展
报告还介绍了多项专项测评基准：
Agent系列：如DeepResearch、AgentCLUE-General
多模态系列：涵盖视觉推理、文生视频、图生视频、文生图等
文本与推理系列：聚焦幻觉控制、事实性、指令遵循等
性能系列：包括第三方平台接入稳定性与搜索能力测评
结语
2025年上半年，中文大模型在通用能力、开源生态、智能体应用等方面进步显著，尤其在中文场景下展现出强劲竞争力。然而，在复杂推理、代码生成等核心能力上，海外模型仍保持领先。未来，国产模型需在技术深度、效能优化、多模态融合等方面持续突破。
报告来源：SuperCLUE团队
完整报告详见：
https://pan.baidu.com/s/1p2gjbT3C22KzUYE2iNC40A?pwd=b8ia