SuperCLUE 5月榜：国内大模型排名变了什么
延迟 90 多天的 SuperCLUE 终于发了 5 月榜。23 个模型参战，海外 6 个做参考、国内 17 个打排名。 Gemini-3.1-Pro-Preview 以 75.73 分拿下海外第一，DeepSeek-V4-Pro 以 70.48 分登顶国内榜。 跟 3 月榜比，变化比想象中大。
海外模型霸榜参考区： 前 5 全是海外——Gemini-3.1-Pro（75.73）、GPT-5.5（74.27）、Claude-Opus-4.8（73.93）、Claude-Opus-4.7（73.52）、Gemini-3.5-Flash（71.51）。 国内最强 DeepSeek-V4-Pro（70.48）跟海外第一差 5.25 分，比 3 月榜的差距（6.54 分）缩小了。
国内前三换血： 3 月榜前三还是 DeepSeek-V3、Qwen3-Max、GLM-4，5 月榜变成了 DeepSeek-V4-Pro、 Qwen3.7-Max、Doubao-Seed-2.0。 全是新模型，老旗舰全被换代了。
Qwen3.7-Max 的精确指令遵循是短板： 31.43 分，国内前 10 里倒数第三。总分能并列第一全靠数学（82.46）和幻觉控制（82.91）拉分。
海外模型（参考排名）
这些模型不参与国内排名，但分数可以作为"天花板"参考。 SuperCLUE 的测试集是中文的，所以海外模型在这里的分数会比英文基准低一些。
| 模型 | 机构 | 总分 | 数学 | 幻觉 | 代码 | |
|---|---|---|---|---|---|---|
| Gemini-3.1-Pro-Preview(high) | 75.73 | 82.46 | 87.23 | 81.47 | 75.12 | |
| GPT-5.5(high) | OpenAI | 74.27 | 82.46 | 87.26 | 72.88 | 86.56 |
| Claude-Opus-4.8(high) | Anthropic | 73.93 | 78.95 | 87.48 | 83.58 | 71.63 |
| Claude-Opus-4.7(high) | Anthropic | 73.52 | 80.7 | 81.11 | 79.01 | 75.7 |
| Gemini-3.5-Flash(high) | 71.51 | 82.46 | 86.16 | 70.66 | 69.6 | |
| Gemma-4-31B | 58.11 | 75.44 | 82.95 | 65.76 | 56.87 | |
| Grok-4.3 | xAI | 55.54 | 57.89 | 70.51 | 66.73 | 53.87 |
国内模型排名
17 个国内模型按总分排序。同排名表示分差在 1 分以内，SuperCLUE 视为并列。
| 排名 | 模型 | 机构 | 总分 | 数学 | 幻觉 | 代码 | AA 智能 | |
|---|---|---|---|---|---|---|---|---|
| 1 | DeepSeek-V4-Pro(max) | 深度求索 | 70.48 | 71.93 | 79.14 | 74.95 | 78.12 | — |
| 1 | Qwen3.7-Max(Thinking) | 阿里巴巴 | 70.22 | 82.46 | 82.91 | 79.69 | 71.16 | — |
| 1 | Doubao-Seed-2.0-pro-260215(high) | 字节跳动 | 69.96 | 77.19 | 79.92 | 67.63 | 75.77 | — |
| 2 | Kimi-K2.6-Thinking | 月之暗面 | 68.66 | 75.93 | 78.66 | 75.79 | 80.95 | — |
| 3 | DeepSeek-V4-Flash(max) | 深度求索 | 67.49 | 82.69 | 70.9 | 66.75 | 75.56 | — |
| 3 | Qwen3.6-Max-Preview(Thinking) | 阿里巴巴 | 67.04 | 66.67 | 85.14 | 66.21 | 83.41 | — |
| 4 | Doubao-Seed-2.0-lite-260428(high) | 字节跳动 | 66.12 | 75.44 | 78.86 | 57.59 | 72.92 | — |
| 5 | GLM-5.1 | 智谱AI | 63.24 | 70.18 | 74.67 | 70.8 | 66.8 | — |
| 5 | ERNIE 5.1 | 百度 | 63.12 | 68.42 | 76.81 | 57.57 | 70.44 | — |
| 6 | Qwen3.6-27B(Thinking) | 阿里巴巴 | 61.95 | 68.42 | 77.11 | 63.43 | 73.39 | — |
| 7 | MiMo-V2.5-Pro | 小米集团 | 57.31 | 69.64 | 64.53 | 67.52 | 62.16 | — |
| 7 | Step-3.7-Flash | 阶跃星辰 | 56.4 | 66.67 | 60.13 | 65.33 | 67.24 | — |
| 8 | Spark X2 | 科大讯飞 | 54.53 | 68.42 | 62.92 | 50.96 | 71.83 | — |
| 8 | Step-3.5-Flash | 阶跃星辰 | 54.33 | 64.91 | 61.27 | 62.81 | 64.99 | — |
| 9 | MiniMax-M2.7 | 稀宇科技 | 52.14 | 64.91 | 57.41 | 61.96 | 60.06 | — |
| 10 | Hy3 preview(high) | 腾讯 | 49.61 | 50.88 | 67.63 | 56.25 | 56.43 | — |
六个维度的单项冠军
一个有意思的发现：Claude-Opus-4.8 包揽了幻觉控制、科学推理、代码生成三个冠军， 但总分只排海外第三——因为精确指令遵循（44.76）和智能体（71.63）拖了后腿。 GPT-5.5 则是"偏科反例"：智能体 86.56 全场最高，但科学推理只有 63.16，比 Claude 低 14 分。
跟 3 月榜比，变化在哪
换代幅度比预期大。 3 月榜的前 10 里，DeepSeek-V3、Qwen3-Max、GLM-4、Kimi-K2、Baichuan4 这次全没进前 10—— 不是它们退了，是新模型太强了。V4-Pro、Qwen3.7-Max、Doubao-Seed-2.0-pro 这些 2026 年 Q2 发布的模型把分数线整体抬高了 5-8 分。
DeepSeek 守住国内第一，但优势变小了。 3 月榜 DeepSeek-V3（68.03）领先第二名 2.76 分，这次 V4-Pro（70.48）和 Qwen3.7-Max（70.22）只差 0.26 分。 数学推理甚至被 Qwen3.7-Max 追平（都是 82.46），V4-Pro 的代码生成（74.95）也只比 Qwen3.7-Max（79.69）低。
MiMo-V2.5-Pro 的表现让人意外。 小米的模型在 AA 里有 Intelligence 54 的高分，但 SuperCLUE 只给了 57.31 分排国内第 7。 精确指令遵循 13.33 分是全场最低之一——中文指令遵循可能是它的短板。
Grok-4.3 的中文能力不乐观。 55.54 分，海外模型里倒数第一，比 Gemma-4-31B（58.11）还低。数学 57.89、精确指令遵循 22.86， 这两个维度说明 Grok 在中文数学题和中文指令理解上有明显短板。如果你主要用中文，Grok 不是好选择。
怎么选：分场景推荐
国内旗舰（不差钱，要最好的中文能力）
DeepSeek V4 Pro 仍是首选——总分第一、代码生成第一、Agent 第一， 数学和 Qwen3.7-Max 并列第一。OpenRouter 定价 $0.435/$0.87，国内直连。 Qwen3.7-Max 是追得最紧的 challenger，数学和幻觉控制更强， 价格 $1.25/$3.75 比 DeepSeek 贵 4 倍但智能差不多。如果你更在乎幻觉控制和数学准确率，选 Qwen。
性价比之选（预算有限，要够用）
DeepSeek V4 Flash（67.49 分，#3）比 V4 Pro 便宜 4.4 倍（$0.098/$0.197）， 分数只低 3 分。数学甚至反超 V4 Pro（82.69 vs 71.93），幻觉控制是短板（70.90）。 适合跑量场景——客服、RAG、批量处理。 Doubao Seed 2.0 lite（66.12 分，#4）是另一个被低估的选项， 字节跳动的国内基础设施比 DeepSeek 稳，如果你需要 SLA 保障可以考虑。
编程专项
国内代码生成前三：Qwen3.7-Max（79.69）、 Kimi-K2.6（75.79）、DeepSeek-V4-Pro（74.95）。 Qwen3.7-Max 的代码分比 V4 Pro 高 4.74 分，但精确指令遵循只有 31.43—— 如果你的代码任务需要大量"按我说的做"（比如固定格式输出、严格遵循规范），V4 Pro 的 48.57 更可靠。
Agent / 任务规划
国内 Agent 能力前三：Kimi-K2.6（80.95）、 DeepSeek-V4-Pro（78.12）、Doubao-Seed-2.0-pro（75.77）。 Kimi 的 Agent 分是全场最高（含海外），比 GPT-5.5（86.56）低 5.61 分但在国内遥遥领先。 如果你在做多步骤任务编排或工具调用，Kimi K2.6 是目前国内最佳选择。
数据来源：SuperCLUE 中文大模型综合性测评基准（ superclueai.com ），2026-05 榜单。交叉数据来自 Artificial Analysis（artificialanalysis.ai）。 抓取时间：2026-05-31。国外模型与部分国内模型不参与排名只做参考。