2025年中文大模型阶段性进展半年度评估_60页_24mb

报告摘要

中文大模型基准测评2025年上半年报告总结

报告目的与总体评述

本报告由SuperCLUE团队发布，旨在量化2025年上半年中文大模型（AGI探索）的进展，评估国内外模型差距，并通过独立测评基准（如SuperCLUE-VLR）分析模型综合效能。测评涵盖数学推理、科学推理、代码生成、智能体Agent、幻觉控制和精确指令遵循等六大任务，题目原创且动态更新，相比传统评估更贴合现实应用。

2025年上半年关键进展

技术迭代加速：自2022年ChatGPT发布后，AI大模型进入快速发展期，从技术引爆到多模态拓展，再到智能体崛起。顶级模型如OpenAI的o3系列和Google的Gemini-2.5系列提升深度推理能力，国内模型如DeepSeek-R1和Qwen3系列在开源和技术民主化中表现突出。
国内外差距缩小：2023年5月至2025年7月，国内外顶尖模型分差从10.42%降至7.78%，国内模型在多模态、智能体任务上赶超海外，但在推理任务中仍落后于海外头部模型。
AI浪潮影响：国内外AI机构在生态构建、开发者工具和应用落地（如视频生成、智能座舱）方面取得显著成果，国内大模型渗透率提升，应用于教育、金融、医疗等行业。

测评结果与分析

总体榜单：OpenAI的o3和o4-mini(high)以73.78分和73.32分领先，国产DeepSeek-R1-0528和Doubao-Seed-1.6-thinking-250715分别以66.15分和68.04分位列国内第一和第四。海外模型在推理任务优势明显（如o3 75.02分），而国内模型在智能体Agent和幻觉控制任务中表现优异。
开闭源差距：2025年上半年，闭源模型平均分76.16分，开源模型54.94分，差距21分缩小；DeepSeek-R1开源模型发布后，开闭源分差显著减少。
性价比与效能：国产模型性价比高，如DeepSeek-R1和DouDao-Seed，但海外模型o3和o4-mini计算速度更快（平均推理时间<60秒），而国内模型如GLM-4.5已接近高效能区。
专项测评：AgentCLUE-General显示国内多模态智能体领先地位，DouDao模型Agent得分90.67分；幻觉控制任务中外模Claude领先，国内模型在文本摘要类任务类优秀，但开放性任务易产生幻觉。