2026年11月中文大模型基准测评结果发布！Kimi-K3.1-Pro国内第一，韩国模型Darwin首次上榜！

SuperCLUE团队

2026/11

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11月）

三、实际花费数据统计（2026年11月）

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11月通用基准测评共有19个国内外模型参与，测评集包括五大任务：智能体编程、数理推理、超长上下文、精确指令遵循、幻觉控制。

本次测评权重向智能体编程能力适度倾斜(30%)，突出模型在编程智能体场景中的表现；数理推理(24%)，强调逻辑推导、定量分析；幻觉控制与精确指令遵循各占18%，关注可靠性及规范准确遵循；超长上下文占10%，在保留对长文本理解与信息关联能力考察的同时，考虑到不同模型支持的上下文窗口长度存在差异。最终权重占比为：

• 智能体编程：30%

• 数理推理：24%

• 幻觉控制：18%

• 精确指令遵循：18%

• 超长上下文：10%

测评摘要

1. Gemini领跑总榜，Kimi位居国内第一。

Gemini-4-Argon(73.62分)位居总榜第一；Kimi-K3.1-Pro(61.46分)位列国内第一，DeepSeek-V4.1-Flash-1017(58.95分)位居国内第二。

2. 编程能力分化明显，头尾差距显著。

GPT-6.1-Sol以69.23分领先，DeepSeek-V4.1-Flash-1017以65.38分位居国内第一，超80%模型得分低于60，模型间梯队差异明显。

3. 五类任务分化不一，国内模型仍有较大进步空间。

综合五类任务来看，国内头部模型在超长上下文、指令遵循与幻觉控制三大任务上与Gemini等国外顶尖模型相比差异突出，需重点提升指令执行准确性、减少幻觉，并增强长文本处理的稳定性。

测评结果与分析

一、智能体编程对比分析

1. GPT-6.1-Sol领跑，DeepSeek位居国内第一，超八成模型低于60分。

题目超时表现：GPT与Kimi零超时，部分模型超时占比过半

本次测评以单题3小时为答题时限，超过时限仍未完成的题目记为超时，视为未能在规定时间内正常完成该题。

从超时统计来看，Qwen3.8-Max-0902的超时题目占比最高，达69.23%，Spark-X2.6以57.69%次之，两者均有超过半数题目触发超时；Grok-4.7与MiMo-V2.6-Pro的超时占比分别为42.31%和38.46%，也处于较高水平。部分模型仍需优化任务规划与时间预算管理，提升执行效率，以提高规定时限内的任务完成率。

交互轮数与任务表现：更多交互不等于更高得分

从交互效能来看，GPT-6.1-Sol以14.58轮/题的最低交互量取得69.23分，位居编程榜首；Kimi-K3.1-Pro以20.62轮/题取得57.69分，位居国内第二，两者的交互轮数均低于整体均值。相比之下，Step-5-Preview平均交互88.88轮/题，为全场最高，编程得分为46.15分；MiniMax-M3平均交互59.96轮/题，得分42.31分。这表明，较多的交互轮次并不必然转化为更高的任务得分。

Token消耗差异显著：最高约为最低的13倍

各模型在单题平均总Token消耗上呈现明显差异：GPT-6.1-Sol以30.89万Tokens/题位居最低，Kimi-K3.1-Pro以42.73万Tokens/题次之；Step-5-Preview以402.91万Tokens/题位居最高，约为GPT-6.1-Sol的13.04倍。结合编程成绩来看，GPT-6.1-Sol在本次测评中同时取得最高得分、最少交互轮数和最低总Token消耗，展现出较好的任务执行效率。

二、模型对比分析

1. 国内模型梯队格局清晰，Kimi-K3.1-Pro领跑国内模型，DeepSeek紧随其后。

Gemini-4-Argon以73.62分领跑榜单，Kimi-K3.1-Pro以61.46分位居国内第一，DeepSeek-V4.1-Flash-1017以58.95分排名第二，两者相差2.51分；GLM-5.3以50.66分位列第三，GLM-5.3-Flash以47.18分排名第四；中部模型如Qwen3.8-Max-0902(43.22)、Darwin-180B-RSI-R3(43.08)、Hy4-Preview(42.96)、Doubao-Seed-2.1-Pro-260915(42.06)等模型分数接近，分差较小。国内榜单呈现头部模型领先、中游模型分数接近的梯队格局，多款模型之间竞争密集。

2. 六大任务对比图

（1）智能体编程

GPT-6.1-Sol以69.23分领跑智能体编程榜单，DeepSeek-V4.1-Flash-1017与Gemini-4-Argon均获65.38分，并列第二，其中DeepSeek位居国内第一。Kimi-K3.1-Pro以57.69分位列国内第二，GLM-5.3以53.85分位列国内第三，智能体编程能力呈现梯队分化格局。

（2）数理推理

GPT-6.1-Sol以76.32分领跑数理推理榜单，Darwin-180B-RSI-R3(73.68分)位列第二，DeepSeek-V4.1-Flash-1017与Gemini-4-Argon均获71.05分，并列第三，其中DeepSeek位居国内第一。Grok-4.7、Qwen3.8-Max-0902与Spark-X2.6紧随其后，头部模型竞争较为接近。

（3）超长上下文

Gemini-4-Argon以95.63分领跑超长上下文榜单，GPT-6.1-Sol以88.14分位居第二，Kimi-K3.1-Pro以87.25分位列第三、国内第一。GLM-5.3(77.60分)与DeepSeek-V4.1-Flash-1017(66.25分)分列国内第二、第三，前三款模型均超过85分，与尾部模型差距明显，长上下文能力呈现明显分化。

在超长上下文任务上，模型间差异显著：

在不同输入长度与检索目标(needles)个数上，不同模型能力表现差异明显。在极长文本处理与多目标检索上，Gemini-4-Argon在512K–1M输入长度组中领先，Kimi-K3.1-Pro与GPT-6.1-Sol位居第二、第三，多数模型得分不足60分；而在8个needles的任务组中，GPT-6.1-Sol位居第一，Gemini-4-Argon排名第二，体现出不同模型的优势差异。

（4）精确指令遵循

GPT-6.1-Sol与Gemini-4-Argon均获68.97分，并列精确指令遵循榜单第一。Kimi-K3.1-Pro以44.83分位列第三、国内第一，DeepSeek-V4.1-Flash-1017以43.10分位居国内第二，Hy4-Preview以31.03分位列国内第三，榜首两款模型与其余模型拉开明显差距，国内模型仍有较大进步空间。

（5）幻觉控制

三、性价比区间分布（2026年11月）

国产模型主导中高性价比区，DeepSeek与GLM-5.3-Flash表现突出。

DeepSeek-V4.1-Flash-1017与GLM-5.3-Flash以较低的API价格实现了较高的推理质量，位于高性价比区；中性价比区包括GLM-5.3、Hy4-Preview、Doubao-Seed-2.1-Pro-260915、MiniMax M3.1-Flash、Step-5-Preview和MiniMax-M3六款模型；Kimi-K3.1-Pro、Gemini-4-Argon、GPT-6.1-Sol、Grok-4.7和Qwen3.8-Max-0902虽能力表现尚可，但API价格较高，落入低性价比区。

*Darwin-180B-RSI-R3为开源部署模型，暂不统计API价格与成本。

具体开源地址可见：https://huggingface.co/FINAL-Bench/Darwin-180B-RSI-R3。

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