先说结论:SuperCLUE 2026 年 11 月通用中文能力测评最新结果出炉,国内第一不是一家独占,而是三家并列 —— 阿里千问 Qwen4-Max 拿到 61.61 分,月之暗面 Kimi-K3.1-Pro 拿到 61.46 分,腾讯混元 Hy4 拿到 61.01 分,三者分差都在 1 分以内,按测评规则视为并列国内榜首。总榜前两名仍是海外闭源模型:Google Gemini-4-Argon 73.62 分、OpenAI GPT-6.1-Sol 71.76 分,只作参考不参与国内排名。这一轮的看点不只是 "谁第一":千问和混元都是 2026 年 11 月刚发布的新版本,分别比上一版暴涨 18.39 分和 18.05 分,而且编程任务超时率从最高 69.23% 降到 0%,单题成本还大幅下降,属于 "能力涨、花销降"。
一、测评基本盘:考什么、怎么排
- 测评方:SuperCLUE(中文语言理解测评基准 CLUE 的大模型时代延续,2019 年发起)。
- 本期覆盖:19 款国内外模型,五个维度 —— 智能体编程、数理推理、幻觉控制、精确指令遵循、超长上下文。
- 并列规则:总分相差 1 分以内视为并列排名;国外模型与部分国内模型不参与排名,仅作参考。
- 成本口径:智能体编程单题成本按平均输入 / 输出 Token、假定输入缓存命中率 95% 估算,非实际账单。
二、榜首三家成绩一览
| 模型 | 机构 | 总分 | 智能体编程 | 数理推理 | 幻觉控制 | 精确指令遵循 | 超长上下文 |
|---|---|---|---|---|---|---|---|
| Qwen4-Max | 阿里巴巴(千问) | 61.61 | 57.69 | — | 73.61(国内分榜第 1) | — | 77.80 |
| Kimi-K3.1-Pro | 月之暗面 | 61.46 | 57.69 | 63.16 | 67.78 | 44.83 | 87.25 |
| Hy4 | 腾讯(混元) | 61.01 | 57.69 | — | — | 50.00(国内分榜第 1) | 88.86(国内分榜第 1) |
三家共同项:智能体编程都拿到 57.69 分,比各自上一版提高 15.38 分;都顺利跑完全部试题,编程超时率从上一版的两位数降到 0%。
三、三家各自强在哪
1. 千问 Qwen4-Max:幻觉控制是招牌
- 幻觉控制 73.61 分,比上一版提高 40.56 分,位列国内分榜第 1—— 也就是 "一本正经胡说八道" 的毛病压得最住。
- 超长上下文 77.80 分,比上一版提高 33.42 分。
- 新版重点提升复杂推理、工程开发能力,并优化推理开销;智能体编程单题成本约 1.90 元,比上一版下降约 87%。
2. Kimi-K3.1-Pro:长文本 + 低幻觉综合派
- 2.8TB 总参数、104B 激活参数,开源模型,上期就已是国内模型最高分。
- 超长上下文 87.25 分、幻觉控制 67.78 分(国内模型优势项),数理推理 63.16 分。
- 特点是长文本处理和低幻觉,适合读长文档、做资料归纳的场景。
3. 腾讯混元 Hy4:超长上下文 + 精确指令遵循双料第一
- 超长上下文 88.86 分,比 Preview 版提高 40.99 分,国内分榜第 1。
- 精确指令遵循 50.00 分,提高 18.97 分,同样国内分榜第 1—— 给的要求能更准地照着执行。
- 新版新增原生视觉理解和电脑操作能力,强化长文本处理、智能体规划与代码开发;单题成本约 2.52 元,比 Preview 版降约 28.5%。
四、总榜参照:海外模型仍在前二
| 模型 | 机构 | 总分 | 备注 |
|---|---|---|---|
| Gemini-4-Argon | 73.62 | 闭源,超长上下文 95.63、幻觉控制 83.19,各项均衡 | |
| GPT-6.1-Sol | OpenAI | 71.76 | 闭源,数理推理 76.32 分最强项 |
| Kimi-K3.1-Pro | 月之暗面 | 61.46 | 榜首并列(国内排名) |
| DeepSeek-V4.1-Flash-1017 | 深度求索 | 58.95 | 国内第二梯队领头 |
| GLM-5.3 | 智谱 AI | 50.66 | 第三 |
五、这一轮进步的实质:从 "跑不完" 到 "又快又省"
- 超时问题被解决:上一版 Qwen3.8-Max-0902 测试超时率 69.23%,Hy4-Preview 为 26.92%;新版两款模型超时率降至 0%,单题平均输出 Token 也明显减少。
- 成本同步下探:Qwen4-Max 单题成本降约 87%、Hy4 降约 28.5%,能力提升没有换来同比例的账单上涨。
- 分项各有山头:千问拿幻觉控制第一,混元拿超长上下文、精确指令遵循两个第一,Kimi 守长文本综合优势 —— 不是全能王互相碾压,而是各有长板。
六、怎么用这份榜单:三步判断
- 先看用途再看总分:要控幻觉、少出错选千问;要读超长材料、稳定归纳选 Kimi;要严格按指令执行、处理长文档选混元。
- 别只看总分:五个维度是不同任务,跑分高不等于所有场景都好用,实际效果还和提示词、业务场景有关。
- 注意口径:这是 SuperCLUE 通用中文测评的单期结果,不是官方排名定论;开源 / 闭源、定价、上下文长度等采购因素要单独比。
【常见问题】
问题 1:千问、腾讯混元、Kimi 在 SuperCLUE 测评里并列国内榜首,具体各是多少分?
回答 1:千问 Qwen4-Max 61.61 分、Kimi-K3.1-Pro 61.46 分、腾讯混元 Hy4 61.01 分,三家分差在 1 分以内,按 SuperCLUE 规则视为并列国内榜首;总榜前两名是 Gemini-4-Argon(73.62)和 GPT-6.1-Sol(71.76),只作参考不参与国内排名。
问题 2:为什么说这三家是 "并列" 而不是排出第一名?
回答 2:SuperCLUE 本期规则规定总分相差 1 分以内的模型视为并列排名,千问 61.61、Kimi 61.46、混元 61.01 分差都落在这个区间,所以共同位列国内榜首,不再强行拆分先后。
问题 3:SuperCLUE 这次中文大模型测评考了哪几个维度?
回答 3:共五个维度:智能体编程、数理推理、幻觉控制、精确指令遵循、超长上下文,19 款国内外模型同场测试;千问的幻觉控制、混元的超长上下文与精确指令遵循分别拿到对应国内分榜第一。
问题 4:千问 Qwen4-Max 和混元 Hy4 相比上一版进步了多少?
回答 4:Qwen4-Max 总分比上一版提高 18.39 分、Hy4 提高 18.05 分;两款新模型编程超时率都降到 0%,单题成本分别下降约 87% 和 28.5%,属于能力提升的同时推理开销明显下降。
问题 5:这份中文大模型测评榜单能不能直接用来选模型?
回答 5:只能作参考。SuperCLUE 是标准化跑分,反映的是五个通用维度的平均水平,实际使用效果还取决于具体场景、提示词和部署方式;选模型要结合幻觉控制、长文本、指令遵循等分项强项,以及开源闭源、定价等因素综合判断。
【参考资料】
[2026-11-18](千问、腾讯混元与 Kimi 并列第 1 中文大模型最新榜单公布)新浪财经(快科技)
[2026-11-18](SuperCLUE 2026 年 11 月通用中文测评基准与模型得分表)SuperCLUE 官网
[2026-11-05](最强中文大模型出炉:Gemini 领跑总榜、Kimi 国内第一)凤凰网科技
[2026-11-18](千问、腾讯混元与 Kimi 并列第 1 中文大模型最新榜单・榜单图)快科技官方微博
【免责声明】
本文分数与排名均来自 SuperCLUE 公开测评结果及媒体报道,测评为标准化跑分,受模型版本、测试环境、评分口径影响,单期结果不代表模型长期或全场景能力;总榜海外模型仅作参考、不参与国内排名。本文不构成模型采购或投资建议,读者应结合自身业务场景独立判断,据此选择与操作的风险自担。
