中文大模型基准测评2025年5月报告.pptxVIP

中文大模型基准测评2025年5月报告

—2025中文大模型阶段性进展5月评估

SuperCLUE团队

2025.05.28

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.

一、2025上半年度关键进展及趋势

1.2025年上半年大模型关键进展

2.2025年最值得关注的中文大模型全景图

3.2025年国内外大模型差距

二、5月通用测评介绍

1.SuperCLUE基准介绍

2.SuperCLUE大模型综合测评体系

3.SuperCLUE通用测评基准数据集及评价方式

4.各维度测评说明及示例

5.测评模型列表

三、总体测评结果与分析

1.SuperCLUE模型象限

2.SuperCLUE通用能力测评榜单

3.SuperCLUE-Agent：智能体测评分析

4.SuperCLUE性价比区间分布

5.SuperCLUE大模型综合效能区间分布

6.国内大模型成熟度-SC成熟度指数

7.评测与人类一致性验证

8.开源模型榜单

9.10B级别小模型榜单

10.端侧5B级别小模型榜单

报告目录

报告摘要（一）

•o4-mini(high)总分稳居第一，综合能力全面领先

o4-mini(high)在本次5月测评中表现优异，总分达到70.51分，超过国内最好模型7.35分。

该模型在推理、代码生成、智能体、指令遵循等多个方面表现出卓越的综合能力，特别是在代码生成（91.52）、指令遵循（68.07）方面得分较高。

•国内推理模型崭露头角，部分领域优势突出

Doubao-1.5-thinking-pro-205415、SenseNovaV6Reasoner等国内模型表

现亮眼。其中，Doubao-1.5-thinking-pro-205415在文本创作与理解任务以81.04的高分领先其他模型。

•国内大模型在指令遵循方面普遍低于海外模型

Hunyuan-T1国内模型中指令遵循得分第一，为36.97分，但是与海外模型指

令遵循得分第一的o4-mini(high)相比，差距达到了31.1分，国内模型在指令遵循方面表现较弱，还有较大的提升空间。

•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Qwen3系列，其中4B、8B和14B版本在

推理任务上的分数均超过50分，超越了众多闭源大模型。

3

数据来源：SuperCLUE，2025年5月28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Qwen3-32B(Thinking)使用方式为API，价格信息均来自官方信息。

注：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5月的标准价格（非优惠价格）。

报告摘要（二）

大模型性价比区间分布

数据来源：SuperCLUE，2025年5月28日；

模型推理速度选取5月测评中具有公开API的模型。平均推理时间为所有测评数据推理时间的平均值（秒）。推理任务得分为推理任务总分：数学推理、科学推理和代码生成的平均分。

大模型推理效能区间分布

第一部分

2025上半年度关键进展及趋势

1.2025年上半年大模型关键进展

2.2025年最值得关注的中文大模型全景图3.2025年国内外大模型差距

u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年半有了实质性的突破。

具体可分为：准备期、跃进期、繁荣期、深化期和