Inicio / Ranking de evaluaciones

Ranking de evaluaciones

Interpretación de los sistemas de rankings + vista rápida del rendimiento en benchmarks públicos. Todos los datos indican su fecha de referencia; las puntuaciones corresponden a la edición más reciente del sitio oficial de cada ranking.

Los tres grandes sistemas de rankings

  • SuperCLUE(mensual): evaluación integral de modelos grandes generales en chino; actualmente solo incluye modelos nacionales. La puntuación total se compone de seis dimensiones: razonamiento matemático, control de alucinaciones, razonamiento científico, seguimiento preciso de instrucciones, programación de agentes y planificación de tareas de agentes; banco privado de preguntas a libro cerrado.
  • OpenCompass Compass(Shanghai AI Laboratory): ranking integral CompassRank + ranking de enfrentamientos con personas reales CompassArena, marco de evaluación de código abierto y reproducible; en 2025 se lanzó Compass 2.0.
  • Benchmarks internacionales: AIME (competencia matemática), GPQA-Diamond (preguntas científicas), SWE-bench Verified (ingeniería de software real), entre otros, usados para la comparación horizontal entre China y el extranjero.
Consejos para leer los rankings: cada ranking se actualiza con frecuencia y con criterios distintos; esta página ofrece una foto de la estructura de escalones y de las puntuaciones públicas. Para una selección formal, consulte el informe vigente del sitio oficial de cada ranking + pruebas con su propio conjunto de negocio.

Escalones competitivos nacionales

Evaluación del panorama según rankings públicos y reportes técnicos oficiales (2026-10)

T1Primer escalón
DeepSeek V4.1-Flash / V4-ProKimi K3.1 ProGLM-5.3Qwen3.7-MaxDoubao Seed 2.1 Pro

Desde mediados de 2025, las series DeepSeek-R1/V3, GLM-4.5, Qwen3 y Kimi-K2 ocupan de forma sostenida los primeros puestos del ranking nacional de SuperCLUE; en 2026 les relevan V4 / K3 / GLM-5 / Qwen3.7, y la estructura de escalones se mantiene.

T2Segundo escalón
Serie MiniMax M3Tencent Hunyuan Hy4 / Hy3ERNIESpark X1Step-3LongCat-Flash

En dimensiones específicas (contexto largo, voz en chino, multimodalidad, costo) cuentan con capacidades puntuales para competir de tú a tú con el T1.

T3Escalafón especializado
MiniCPM 4.0InternLM3SenseNova V6Tiangong T1Ling Ling-1T

Rutas diferenciadas: en el dispositivo (edge), académica, con búsqueda aumentada, etc.

Instantánea de benchmarks públicos

Según reportes técnicos oficiales, datos públicos 2025–2026, para una percepción comparativa

BenchmarkQué evalúaResultados representativos nacionalesReferencia extranjera
AIME 2025Competencia matemáticaDeepSeek-R1-0528 ≈87.5; GLM-4.5 según cifras oficiales 98.6 (con herramientas); Kimi K2 ≈87.1o3 high ≈96.7
GPQA-DiamondPreguntas científicasGLM-4.5 79.1；DeepSeek-R1 71.5；Kimi-K2 75.7Grok-4 87.5 / o3 83.3
SWE-bench VerifiedIngeniería de software realKimi-K2 65.8; GLM-4.5 64.2; DeepSeek V4 GA 80.6 (cifra oficial de 2026-07)La serie Claude lidera con ≈80
Terminal-Bench 4.0Tareas de agentes en terminalActualizado con el lanzamiento de DeepSeek-V4.1-Flash-1017 (2026-10-17)—

Las puntuaciones provienen de reportes técnicos de cada fabricante o de coberturas públicas; las condiciones de prueba (por ejemplo, si se permite el uso de herramientas) difieren, por lo que no son comparables directamente entre sí; las puntuaciones de modelos extranjeros son solo de referencia.

Comparativa de buques insignia de China y el extranjero

Precios de catálogo homólogos + benchmarks públicos, con criterios completamente indicados

① Comparación de precios de API de los modelos insignia actuales

GrupoModeloEntrada ($/M)Salida ($/M)Precio de salida (con Sonnet 5.5 = 1)
ChinaDeepSeek-V4.1-Flash0.11580.46330.06×
ChinaDoubao Seed 2.1 Pro0.38611.93050.25×
ChinaGLM-5.31.08113.39770.44×
ChinaQwen3.7-Max1.27413.82320.50×
ChinaKimi K3.1 Pro1.54447.72201.00×
ExtranjeroGemini 4 Argon1.54447.72201.00×
ExtranjeroGPT-6.1 Sol1.54447.72201.00×
ExtranjeroClaude Sonnet 5.51.54447.72201.00× (base)
ExtranjeroClaude Opus 4.73.861019.30502.50×
ExtranjeroClaude Fable 5.17.722038.61005.00×

Instantánea del mismo directorio y del mismo momento (2026-10, precios oficiales originales), con criterios uniformes y comparables directamente. El precio de salida de los insignia chinos es de aproximadamente 1/2 a 1/16 del de los insignia extranjeros de nivel equivalente; en la gama económica de DeepSeek la brecha es aún mayor.

② Benchmarks públicos: lo mejor de China vs insignias extranjeras

BenchmarkLo mejor de China (criterio público)Referencia extranjeraSituación
AIME 2025 (matemáticas)GLM-4.5 98.6 (con herramientas); DeepSeek-R1-0528 87.5o3 high 96.7Nivel equivalente alcanzado
SWE-bench Verified (programación)DeepSeek V4 GA 80.6 (criterio oficial, 2026-07)Serie Claude ≈80Prácticamente empatado
GPQA-Diamond (ciencia)GLM-4.5 79.1；Kimi-K2 75.7Grok-4 87.5；o3 83.3Aprox. 8 puntos de retraso
Posición en rankings generalesLa primera línea china ocupa puestos destacadosClaude Opus 5.5 / Gemini 4 Argon / Claude Fable 5.1 ocupan los tres primeros puestos (según agregadores, 2026-10)El extranjero sigue liderando

③ Cómo leer esta comparación

  • Programación y matemáticas: la brecha generacional se ha cerrado.En 2025 los insignia chinos aún iban una generación por detrás; en 2026 DeepSeek V4 alcanza oficialmente 80.6 en SWE-bench, con informes públicos que lo sitúan «cerca de Opus 4.8», y en benchmarks de matemáticas al nivel de o3.
  • Precio: la ventaja comparativa más clara.Bajo el mismo directorio, el precio de salida chino es de aprox. 1/2 a 1/16 del extranjero equivalente; terceros evaluadores señalan que el precio de V4 es de aprox. 1/57 del de Fable 5 (criterio 2026-07).
  • Aún hay brechas:El razonamiento científico (GPQA) queda aprox. 8 puntos por detrás; el top 3 de los rankings generales sigue siendo de modelos extranjeros; en ecosistema de herramientas, multilingüismo y servicios empresariales, lo extranjero sigue siendo la opción por defecto.
  • Conclusión de selección:Para escenarios en chino y negocios sensibles al costo, los insignia chinos son la opción por defecto; para capacidades extremas y cumplimiento global, los insignias extranjeros mantienen la delantera.

Las puntuaciones de benchmarks provienen de informes técnicos de cada fabricante y de reportes públicos; las condiciones de prueba difieren y no son comparables directamente; las puntuaciones extranjeras son solo de referencia. Los precios pueden ajustarse en cualquier momento; consulte las páginas oficiales.

Primera línea de código abierto

Panorama de los modelos chinos con pesos descargables públicamente

Open source T1Liderazgo general
Serie DeepSeek V4 (MIT)Kimi K3（2.8T）Familia open source Qwen3Línea open source GLM

Habitual en lo más alto de HuggingFace Trending desde su lanzamiento; los modelos derivados de la familia Qwen lideran globalmente en número y descargas (cifra oficial de 2025: más de 100.000 modelos derivados).

Open source T2Cada uno destaca en su especialidad
Hunyuan Hy4 PreviewLongCat-FlashLing Ling-1TStep-3ERNIE 4.5InternLM3

Los grandes fabricantes de internet y el ámbito académico liberan modelos open source a un ritmo intenso, cubriendo MoE, multimodalidad y formatos ligeros para dispositivos edge.

El Open LLM Leaderboard oficial de HuggingFace dejó de actualizarse en 2025; actualmente, para medir la popularidad open source se recomienda consultar Trending, las descargas y LMArena.