中文大模型基准测评2025年3月报告.docx

中文大模型基准测评2025年3月报告

—2025中文大模型阶段性进展3月评估

SuperCLUE团队

2025.03.18

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.

报告目录

一、2025年度关键进展及趋势

?2025年大模型关键进展

?2025年值得关注的中文大模型全景图

?2025年国内外大模型差距

三、总体测评结果与分析

?SuperCLUE通用能力测评总榜

?SuperCLUE模型象限

?SuperCLUE推理模型总榜

?SuperCLUE推理任务总榜

?SuperCLUE基础模型总榜

?性价比区间分布

?综合效能区间分布

?国内大模型成熟度-SC成熟度指数

?评测与人类一致性验证

?开源模型榜单

?10B级别小模型榜单

?端侧5B级别小模型榜单

二、年度通用测评介绍

?SuperCLUE基准介绍

?SuperCLUE大模型综合测评体系

?SuperCLUE通用测评基准数据集及评价方式

?各维度测评说明及示例

?测评模型列表

四、DeepSeek系列模型深度分析

?DeepSeek-R1及其蒸馏模型对比

?DeepSeek-R1和国内外头部推理模型对比

?DeepSeek-R1第三方平台联网有哪些信誉好的足球投注网站能力测试（网页端）

?DeepSeek-R1第三方平台稳定性测试（网页端、App端、API端）

报告摘要（一）

?o3-mini(high)稳居第一，推理能力全面领先

o3-mini(high)在SuperCLUE-3月评测中表现卓越，以76.01分和84.51分稳居总榜和推理任务总榜第一，双榜均领先国内第一近5分，展现出强大的通用推理能力。

?推理模型较基础模型优势明显，且国内较海外头部推理模型略有领先

国内模型推理DeepSeek-R1在总榜上领先Claude3.7Sonnet近2.32分，QwQ-32B在推理任务榜单上领先Gemini-2.0-Flash-Thinking-Exp-01-21近7.65分。

?大模型在推理速度和性价比的两级分化逐渐明显

国内推理模型DeepSeek-R1和QwQ-32B虽然推理任务上表现出色，但推理时间也随之变长；在性价比方面，DeepSeek、Qwen系列模型具有极高的性价比优势，但Claude3.7Sonnet由于高性能仍保持较高的API价格。

?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DeepSeek-R1-Distill系列，其中7B和14B版本在数学推理任务上分别取得了77.23分和79.46分的高分，超越了众多闭源大模型。

3

报告摘要（二）

大模型

大模型性价比分布

数据来源：SuperCLUE，2025年3月18日；推理任务得分为推理任务总分：数学推理、

数据来源：SuperCLUE，2025年3月18日。科学推理和代码的平均分。开源模型如QwQ-

数据来源：SuperCLUE，2025年3月18日。

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3月的标准价格（非优惠价格）。

4

5

第1部分

2025年度关键进展及趋势

1.2025年大模型关键进展

2.2025年值得关注的中文大模型全景图3.2025年国内外大模型差距

6

2025年大模型关键进展

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年有了实质性的突破。具体可分为：准备期、跃进期、繁荣期和深化期。

SuperCLUE：AI大模型2025年关键进展

关键进展

准备期

?ChatGPT发布，全球范围内迅速形成大模型共识。

?GPT4发布，进一步掀起大模型研发热潮。

?国内快速跟进大模型