中文大模型基准测评2025年上半年报告

2025年上半年中文大模型进展

2025年上半年，大模型领域进入智能体崛起与AGI探索期，顶级大模型能力持续突破，性能与效率并进。o3、o4系列、Gemini 2.5系列等顶级模型发布，推理能力提升明显，工具调用能力增强。Monica.im发布全球首款通用型AI Agent：Manus，成为AI领域的重大突破。国内AI智能体潜力被深度挖掘，大量AI Agent产品涌现，如AutoGLM、OpenManus等。国内模型加速迭代与开源，DeepSeek-R1等开源模型引爆全球，缩小国内外差距。

SuperCLUE基准测评结果

SuperCLUE基准测评结果显示，海外头部模型o3、o4-mini(high)和Gemini-2.5-Pro在通用能力测评中分别取得73.78分、73.32分和68.98分的总成绩，位于榜单前三。Doubao-Seed-1.6-thinking-250715以68.04的总分取得国内第一、全球第四的成绩。国内外头部模型在推理任务上的差异较大，海外模型优势明显。国内开源模型相较于海外开源模型优势显著，DeepSeek-R1、Qwen3-235B-A22B-Thinking-2507和GLM-4.5分别以66.15分、64.34分和63.25分取得开源榜单前三。国内大模型在智能体Agent和幻觉控制任务上的表现良好，但在推理任务上稍有逊色。Qwen3系列的开源小参数量模型表现亮眼，如8B、4B和1.7B版本在10B级别和端侧5B级别的榜单中遥遥领先。

国内大模型成熟度

国内大模型成熟度指数（SC成熟度指数）显示，高成熟度能力指大部分闭源大模型普遍擅长的能力，当前国内闭源大模型成熟度较高的任务暂时没有。中成熟度指不同大模型能力上有一定区分度，当前国内大模型表现出中成熟度的能力是数学推理、智能体Agent、科学推理和代码生成。低成熟度指少量大模型较为擅长，很多模型无法胜任，当前国内大模型低成熟度的能力是幻觉控制和精确指令遵循。

评测与人类一致性验证

SuperCLUE基准测评成绩与人类对模型的评估（以LMArena为代表）具有高度一致性，斯皮尔曼相关系数为0.8972，皮尔逊相关系数为0.8656。