中文大模型基准测评2025年3月报告 conv.docxVIP

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

? 2025年值得关注的中文大模型全景图

? 2025年国内外大模型差距

? SuperCLUE基准介绍

? SuperCLUE大模型综合测评体系

? 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? SuperCLUE模型象限

? SuperCLUE推理模型总榜? SuperCLUE推理任务总榜? SuperCLUE基础模型总榜? 性价比区间分布

? 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

? DeepSeek-R1及其蒸馏模型对比

? DeepSeek-R1和国内外头部推理模型对比

? DeepSeek-R1第三方平台联网搜索能力测试（网页端）

? DeepSeek-R1第三方平台稳定性测试

（网页端、App端、API端）

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。

3

报告摘要（二）

DeepSeek-R1和国内外推理模型能力对比

数据来源：SuperCLUE，2025年3月18日。

大模型性价比分布

数据来源：SuperCLUE，2025年3月18日；推理任务得分为推理任务总分：数学推理、科学推理和代码的平均分。开源模型如QwQ-32B使用方式为API，价格信息均来自官方信息。部分模型API的价格是分别基于输入和输出的tokens数量确定的。这里我们依照输入tokens与输出tokens3:1的比例来估算其整体价格。价格信息取自官方在3月的标准价格（非优惠价格）。

4

第1部分2025年度关键进展及趋势

1.2025年大模型关键进展

2.2025年值得关注的中文大模型全景图3.2025年国内外大模型差距

5

2025年大模型关键进展

?自2022年11月30日ChatGPT发布以来，AI大模型在全球范围内掀起了有史以来规模最大的人工智能浪潮。国内外AI机构在过去2年有了实质性的突破。

具体可分为：准备期、跃进期、繁荣期和深化期。

SuperCLUE：AI大模型2025年关键进展

关键进展

深化期

准备期

? ChatGPT发布，全球范围内迅速形成大模型共识。

? GPT4发布，进一步掀起大模型研发热潮。

?国内快速跟进大模型研发。文心一言1.0、通义千问、讯飞星火、360智

脑、ChatGLM等首批模型相继发布。

跃进期

? Llama2开源，极大助力全球大模型开发者生态。

? GPT-4Turbo、Gemini等海外大模型发布，继续提升模型性能。

? 国内闭源大模型快速发展。豆包、混元、商量3.0、盘古3.0、AndesGPT、BlueLM、星火3.0等陆续发布。

?国内开源生态