中文大模型基准测评2025年上半年报告

中文大模型2025年上半年测评报告总结

一、关键进展与趋势

2025年上半年，大模型迈向“智能体崛起与AGI探索期”，国内外模型在技术深度、智能体Agent和跨模态能力上均有突破。海外模型如o3、o4-mini(high)和Gemini-2.5-Pro在推理任务上领先近10分，国内模型如DeepSeek-R1和GLM-4.5正在缩小研
究与开发领域差距。

二、模型测评总结

1. 综合能力排名

• 总榜第一：o3（73.78分，OpenAI）
• 国内领先：DeepSeek-R1-0528（68.04分）和GLM-4.5（68.04分），在幻觉控制、Agent、中文创作等任务上表现良好。
• 开源模型：DeepSeek-R1以66.15分领先，与闭源模型差距仅7.63分。

2. 分项任务表现

• 推理任务：海外头部模型领先明显，尤其在数学和科学推理中得分高出近20分。
• 智能体Agent：字节跳动的Doubao-Seed-1.6-thinking-250715以90.67分全球第一。
• 幻觉控制：国际模型如Claude-Opus-4-Reasoning领先，国内多模强（如Doubao）排名前三。
• 代码生成：国外模型（o4-mini(high))优势显著，但国内部分开源模型进步迅速。

3. 价格与性能

• 性价比：国内模型（如DeepSeek-R1）价格仅为海外模型（o3）的三分之一，性价比优势明显
• 推理效能：海外模型响应速度普遍更优，但国内头部模型（如SenseNova V6 Reasoner)开始逼近。

三、行业动态

• 国产虚拟偶像、视频生成等领域涌现新应用，如豆包、可灵AI。
• 开源生态增强：阿里、智谱、深度求索等多家机构发布大小模型矩阵，形成完整生态。

四、趋势展望

中文大模型发展呈现双轨格局：推理能力仍依赖海外领先技术，但智能体、中文场景、性价比正成为国内核心优势。SuperCLUE测评结果验证了开放测评基准的有效性，开启跨语言测评基准互认时代。