中文大模型基准测评2025年3月报告.pptx

中文大模型基准测评2025年3月报告

—2025中文大模型阶段性进展3月评估

SuperCLUE团队

2025.03.18

精准量化通用人工智能（AGI）进展，定义人类迈向AGI的路线图

AccuratelyquantifyingtheprogressofAGI,

definingtheroadmapforhumanitysjourneytowardsAGI.

报告目录

一、2025年度关键进展及趋势二、年度通用测评介绍

•2025年大模型关键进展•SuperCLUE基准介绍

•2025年值得关注的中文大模型全景图•SuperCLUE大模型综合测评体系

•2025年国内外大模型差距•SuperCLUE通用测评基准数据集及评价方式

•各维度测评说明及示例

•测评模型列表

三、总体测评结果与分析四、DeepSeek系列模型深度分析

•SuperCLUE通用能力测评总榜•DeepSeek-R1及其蒸馏模型对比

•SuperCLUE模型象限•DeepSeek-R1和国内外头部推理模型对比

•SuperCLUE推理模型总榜•DeepSeek-R1第三方平台联网搜索能力测试

•SuperCLUE推理任务总榜（网页端）

•SuperCLUE基础模型总榜•DeepSeek-R1第三方平台稳定性测试

•性价比区间分布（网页端、App端、API端）

•综合效能区间分布

•国内大模型成熟度-SC成熟度指数

•评测与人类一致性验证

•开源模型榜单

•10B级别小模型榜单

•端侧5B级别小模型榜单

报告摘要（一）

•o3-mini(high)稳居第一，推理能力全面领先

o3-mini(high)在SuperCLUE-3月评测中表现卓越，以76.01分和84.51分稳居总榜和推

理任务总榜第一，双榜均领先国内第一近5分，展现出强大的通用推理能力。

•推理模型较基础模型优势明显，且国内较海外头部推理模型略有领先

国内模型推理DeepSeek-R1在总榜上领先Claude3.7Sonnet近2.32分，QwQ-32B在推理

任务榜单上领先Gemini-2.0-Flash-Thinking-Exp-01-21近7.65分。

•大模型在推理速度和性价比的两级分化逐渐明显

国内推理模型DeepSeek-R1和QwQ-32B虽然推理任务上表现出色，但推理时间也随

之变长；在性价比方面，DeepSeek、Qwen系列模型具有极高的性价比优势，但

Claude3.7Sonnet由于高性能仍保持较高的API价格。

•小参数模型表现超出预期

多款开源小参数量模型展现出惊人潜力。尤其是DeepSeek-R1-Distill系列，其中7B和

14B版本在数学推理任务上分别取得了77.23分和79.46分的高分，超越了众多闭源大模型。