2026年7月中文大模型基准测评结果发布！Qwen3.8、Kimi-K3并列第一，DeepSeek轻量版并列第二！

SuperCLUE团队

2026/07

点击 文末阅读原文 或 复制下方网址到浏览器 即可跳转SuperCLUE官网查看完整的测评内容：

SuperCLUE官网地址：www.superclueai.com

 榜单概览

一、SuperCLUE智能指数（2026年7月）

三、推理能力—效能区间（2026年7月）

四、智能体编程—效能区间（2026年7月）

六、Token实际花费数据明细（2026年7月）

测评摘要

1. 国内头部模型竞争激烈，Qwen3.8、Kimi-K3领跑榜单。

Qwen3.8-Max(max)(71.48分)与Kimi-K3(max)(70.68分)以0.80分差并列第一，头部竞争激烈。Doubao-Seed-2.1-pro(high)(65.94分)、DeepSeek-V4-Flash(max)(65.60分)并列第二；DeepSeek-V4-Pro(max)(64.40分)第三，形成明显的领先梯队，国内整体实力稳步提升。

2. 智能体编程能力分化明显，头尾差距显著。

智能体编程是本次测评能力分化最明显的任务。Kimi-K3(max)以75.79分领跑，Qwen3.8-Max(max)(68.42分)、GLM-5.2(max)(64.13分)紧随其后，头部模型展现出领先优势；而尾部模型得分明显偏低，榜首与末位差距接近50分，智能体编程能力梯队分化严重。

3. 模型性价比较高，DeepSeek-V4系列表现突出。

DeepSeek-V4系列模型处于高性价比区间，以更低的API价格实现了更高的推理质量；Hy3(high)、GLM-5.2(max)等5款模型位于中性价比区。国内模型在性价比优势明显。

4. 推理能力分差明显，推理效能差异显著。

高效能区由DeepSeek-V4-Flash(max)、GLM-5.2(max)、Hy3(high)三款模型占据，推理效能突出。中效能区包括DeepSeek-V4-Pro(max)、MiniMax-M3、LongCat-2.0、MiMo-V2.5-Pro四款模型。而Qwen3.8-Max(max)、Kimi-K3(max)、Doubao-Seed-2.1-pro(high)虽推理能力得分领先，但其推理时间过长，位于低效能区。

中文大模型测评基准SuperCLUE持续对国内外大模型的发展趋势和综合效果进行实时跟踪，本次2026年7月通用基准测评聚焦国内模型，共有12个国内模型参与，测评集包括六大任务：智能体编程、智能体任务规划、数学推理、科学推理、精确指令遵循、幻觉控制。

本次测评权重向智能体编程能力倾斜（25%），重点考察模型在典型编程智能体下的端到端任务完成能力；数学、科学推理、指令遵循、幻觉控制作为基础核心能力配置接近的权重；智能体任务规划受限于本次纯文本测评场景，给予相对较低权重。最终权重占比为：

• 智能体编程：25%
  

• 数学推理：18%
  

• 科学推理：16%
  

• 精确指令遵循：16%
  

• 幻觉控制：16%
  

• 智能体任务规划：9%

「 基准重大更新：代码生成 ➡ 智能体编程 」

传统代码生成测评存在场景割裂、脱离工程实操等问题；而基于多轮交互的智能体编程测评，贴合真实开发者工作流程。因此，本次通用测评基于终端AI 编程工具（Claude Code）中文场景软件工程SWE测评方案发布！，依托多轮智能体交互模式，能够更客观、全面、真实地量化大模型在本土化开源工程场景下的实战编码能力。

测评结果与分析

一、智能体编程对比分析

1. 编程能力分化明显：Kimi-K3断层领先，模型平均在60分以下。

推理时间效能区别明显：

从单题平均推理耗时来看，模型间跨度近3倍：Hy3(high)位居最快，DeepSeek-V4-Pro(max)位列第二，Step-3.7-Flash(high)、MiMo-V2.5-Pro同样处于快速响应区间；而Kimi-K3(max)耗时垫底，约为Hy3的三倍，以高资源消耗取得更好的成绩。

交互轮数与单轮效能：少而精 vs 多而廉

从交互效能来看，Kimi-K3(max)以42.23轮的中等交互量取得卓越单轮产出，是典型的"深思熟虑型"——每轮投入较多推理时间，但轮次克制、产出精准。表现最差的MiniMax-M3以75.18轮的最高交互量分数排名却靠后，是全场单轮效能最低的模型，陷入"多轮纠缠"——反复修正却难以收敛到正确方案。

在Token消耗策略上，模型间差异更为显著：

各模型在单题平均总Token消耗上呈现近9倍的悬殊差距：MiMo-V2.5-Pro与Kimi-K3(max)以约4.9万tokens/题的消耗位居最低区间，ERNIE 5.1(max)则以42.6万tokens/题位居最高，后者消耗量是前者的8.7倍。

二、模型对比分析

1. 国内头部模型竞争激烈，Qwen3.8、Kimi-K3领跑榜单。

Qwen3.8-Max(max)(71.48分)与Kimi-K3(max)(70.68分)以0.80分差并列第一，头部竞争激烈。Doubao-Seed-2.1-pro(high)(65.94分)、DeepSeek-V4-Flash(max)(65.60分)并列第二；DeepSeek-V4-Pro(max)(64.40分)第三，形成明显的领先梯队；GLM-5.2(max)(63.27分)、Hy3(high)(62.13分)紧随其后，MiniMax-M3(56.90分)及以下模型与头部差距逐步拉大，榜单呈现出清晰的梯队化格局，国产模型整体实力稳步提升。

象限分析显示，Qwen3.8-Max(max)(推理能力72.51分、应用能力73.61分)综合表现最佳，Kimi-K3(max)(72.63分、69.72分)紧随其后。DeepSeek-V4-Pro(max)与ERNIE 5.1(max)位于实用主义者象限，应用能力表现优于推理能力；GLM-5.2(max)、Hy3(high)位于技术领跑者象限，推理能力领先于应用能力；而MiniMax-M3、LongCat-2.0、MiMo-V2.5-Pro、Step-3.7-Flash(high)位于潜力探索者象限，推理与应用两项能力均有较大提升空间。

2. 六大任务对比图

（1）智能体编程

（2）智能体任务规划

（3）数学推理

DeepSeek-V4-Flash(max)以78.95分夺得数学推理榜单第一，实力强悍；Qwen3.8-Max(max)与Hy3(high)以77.19分并列第二，Doubao-Seed-2.1-pro(high)以75.44分位居第四，头部模型竞争胶着。

（4）科学推理

Doubao-Seed-2.1-pro(high)以77.19分领跑科学推理榜单，Hy3(high)以75.44分位居第二，Qwen3.8-Max(max)与DeepSeek-V4-Pro(max)以71.93分并列第三，国内模型整体表现出色。

（5）精确指令遵循

（6）幻觉控制

三、性价比区间分布（2026年7月）

国产模型主导中高性价比区。

高性价比区由DeepSeek-V4系列独占，以极低的API价格实现了较高的推理质量。中性价比区包括Qwen3.8-Max(max)、Doubao-Seed-2.1-pro(high)、GLM-5.2(max)、Hy3(high)、MiniMax-M3五款模型。而Kimi-K3(max)虽以70.68分位居总榜第二，但40元/百万Tokens的高价使其落入低性价比区；ERNIE 5.1(max)、LongCat-2.0、MiMo-V2.5-Pro、Step-3.7-Flash(high)因总分相对偏低，同样位于低性价比区。

四、推理效能区间分布（2026年7月）

推理能力分差明显，推理效能差异显著。

从推理效能区间分布来看，高效能区由DeepSeek-V4-Flash(max)、GLM-5.2(max)、Hy3(high)三款开源模型占据，它们以较短的推理时间实现了较高的推理能力得分，推理效能突出。中效能区包括DeepSeek-V4-Pro(max)、MiniMax-M3、LongCat-2.0、MiMo-V2.5-Pro四款模型。而Qwen3.8-Max(max)、Kimi-K3(max)、Doubao-Seed-2.1-pro(high)虽推理能力得分领先，但推理时间过长，落入低效能区；ERNIE 5.1(max)与Step-3.7-Flash(high)因推理能力得分偏低，同样位于低效能区。

附：

2026年5月通用测评模型列表

测评的更多详细内容，请点击文章下方 阅读原文 或 复制以下链接到浏览器 查看：

https://www.superclueai.com

欢迎加入【通用测评】交流群。

扩展阅读

[1] CLUE官网：www.CLUEBenchmarks.com

[2] SuperCLUE排行榜网站：www.superclueai.com

[3] Github地址：https://github.com/CLUEbenchmark/SuperCLUE