Рейтинги тестов · Обзор рейтингов китайских больших моделей

Три системы рейтингов

SuperCLUE(ежемесячно): комплексное тестирование универсальных китайскоязычных больших моделей; в настоящее время включаются только китайские модели. Итоговый балл складывается из шести измерений: математические рассуждения, контроль галлюцинаций, научные рассуждения, точное следование инструкциям, программирование агентов, планирование задач агентов; закрытая приватная база вопросов.
OpenCompass Compass(Shanghai AI Laboratory): сводный рейтинг CompassRank + рейтинг реальных дуэлей CompassArena; открытая воспроизводимая фреймворк-оценка; в 2025 году выпущен Compass 2.0.
Международные бенчмарки: AIME (олимпиадная математика), GPQA-Diamond (научные вопросы), SWE-bench Verified (реальная разработка ПО) и др.; используются для сравнения китайских и зарубежных моделей.

Подсказки по чтению рейтингов: рейтинги часто обновляются и используют разные методики; на этой странице представлен обзор структуры элитных групп и снимок открытых баллов. Для формального выбора модели опирайтесь на текущие отчёты на официальных сайтах рейтингов + собственное тестирование на ваших бизнес-данных.

Конкурентные эшелоны китайских моделей

Оценка расстановки сил на основе открытых рейтингов и официальных технических отчётов (2026-10)

T1Первый эшелон

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

С середины 2025 года серии DeepSeek-R1/V3, GLM-4.5, Qwen3 и Kimi-K2 стабильно занимали верхние позиции китайского рейтинга SuperCLUE; в 2026 году их сменили V4 / K3 / GLM-5 / Qwen3.7, структура эшелонов сохраняется.

T2Второй эшелон

Серии MiniMax M3Tencent Hunyuan Hy4 / Hy3ERNIESpark X1Step-3LongCat-Flash

По отдельным параметрам (длинный контекст, китайская речь, мультимодальность, стоимость) способны на равных соперничать с первым эшелоном.

T3Специализированная группа

MiniCPM 4.0InternLM3SenseNova V6Tiangong T1Ling-1T

Дифференцированные направления: модели для устройств, академические, с поисковым усилением и др.

Снимок открытых бенчмарков

По данным официальных технических отчётов, открытые данные 2025–2026, для общего сравнения

Бенчмарк	Что проверяет	Лучшие результаты китайских моделей	Зарубежный ориентир
AIME 2025	Олимпиадная математика	DeepSeek-R1-0528 ≈87,5; GLM-4.5 официально 98,6 (с инструментами); Kimi K2 ≈87,1	o3 high ≈96.7
GPQA-Diamond	Научные вопросы	GLM-4.5 79.1；DeepSeek-R1 71.5；Kimi-K2 75.7	Grok-4 87.5 / o3 83.3
SWE-bench Verified	Реальная разработка ПО	Kimi-K2 65,8; GLM-4.5 64,2; DeepSeek V4 GA 80,6 (официальные данные 2026-07)	Серия Claude лидирует с ~80
Terminal-Bench 4.0	Задачи агентов в терминале	Обновлено одновременно с выходом DeepSeek-V4.1-Flash-1017 (2026-10-17)	—

Баллы приведены по техническим отчётам производителей или открытым публикациям; условия тестирования (например, доступ к вызову инструментов) различаются, прямое сравнение некорректно; баллы зарубежных моделей приведены только для ориентира.

Сравнение флагманов Китая и мира

Цены каталога того же источника + открытые бенчмарки, все методики помечены

① Сравнение цен на действующие флагманские API

Категория	Модель	Вход ($/M)	Выход ($/M)	Цена вывода (Sonnet 5.5 = 1)
Китайские	DeepSeek-V4.1-Flash	0.1158	0.4633	0.06×
Китайские	Doubao Seed 2.1 Pro	0.3861	1.9305	0.25×
Китайские	GLM-5.3	1.0811	3.3977	0.44×
Китайские	Qwen3.7-Max	1.2741	3.8232	0.50×
Китайские	Kimi K3.1 Pro	1.5444	7.7220	1.00×
Зарубежные	Gemini 4 Argon	1.5444	7.7220	1.00×
Зарубежные	GPT-6.1 Sol	1.5444	7.7220	1.00×
Зарубежные	Claude Sonnet 5.5	1.5444	7.7220	1.00× (базовый уровень)
Зарубежные	Claude Opus 4.7	3.8610	19.3050	2.50×
Зарубежные	Claude Fable 5.1	7.7220	38.6100	5.00×

Единый каталог, единый снимок на один момент времени (2026-10, официальные цены), одинаковая методология — можно сравнивать напрямую. Цены на вывод китайских флагманов составляют примерно от 1/2 до 1/16 цен зарубежных флагманов того же класса, а у DeepSeek в недорогом сегменте разрыв ещё больше.

② Публичные бенчмарки: лучшие китайские vs зарубежные флагманы

Бенчмарк	Лучшие китайские (по публичным данным)	Зарубежный ориентир	Ситуация
AIME 2025, математика	GLM-4.5 — 98.6 (с инструментами); DeepSeek-R1-0528 — 87.5	o3 high 96.7	Достигнут уровень класса
SWE-bench Verified, кодинг	DeepSeek V4 GA — 80.6 (официальные данные, 2026-07)	Серия Claude ≈80	Примерно паритет
GPQA-Diamond, наука	GLM-4.5 79.1；Kimi-K2 75.7	Grok-4 87.5；o3 83.3	Отставание около 8 баллов
Позиции в общих рейтингах	Модели китайского первого эшелона — в верхней части списка	Claude Opus 5.5 / Gemini 4 Argon / Claude Fable 5.1 — первые три места (по данным агрегаторов, 2026-10)	Зарубежные модели удерживают верхние позиции

③ Как читать это сравнение

Кодинг и математика: разрыв поколений устранён.В 2025 году китайские флагманы отставали от зарубежных на поколение; в 2026-м DeepSeek V4 по официальным данным показывает 80.6 на SWE-bench, по публичным сообщениям «вплотную приблизился к Opus 4.8», а по математическим бенчмаркам находится на уровне o3.
Цена: наиболее очевидное конкурентное преимущество.В одном каталоге цены на вывод китайских моделей составляют примерно 1/2–1/16 от зарубежных аналогов того же класса; по данным сторонних обзоров, цена V4 составляет около 1/57 цены Fable 5 (данные 2026-07).
Разрыв сохраняется:в научных рассуждениях (GPQA) отставание около 8 баллов; первые три места в общих рейтингах по-прежнему у зарубежных моделей; в экосистеме инструментов, многоязычности и корпоративных сервисах зарубежные решения остаются выбором по умолчанию.
Вывод по выбору:для сценариев на китайском языке и задач с ограниченным бюджетом китайские флагманы — выбор по умолчанию; для максимальных возможностей и глобального соответствия требованиям предпочтительнее зарубежные флагманы.

Баллы бенчмарков приведены по техническим отчётам вендоров и публичным сообщениям; условия тестирования различаются, прямое сравнение некорректно; зарубежные баллы приведены только для справки. Цены могут измениться в любой момент — сверяйтесь с официальными страницами.

Эшелон open-source

Ландшафт китайских моделей с открытыми для скачивания весами

Open-source T1Полное лидерство

Серия DeepSeek V4 (MIT)Kimi K3（2.8T）Семейство open-source Qwen3Линейка open-source GLM

Постоянный лидер HuggingFace Trending сразу после релиза; число производных моделей семейства Qwen и объём их загрузок — мировые лидеры (официальные данные 2025: 100 000+ производных моделей).

Open-source T2Каждый силён в своём

Hunyuan Hy4 PreviewLongCat-FlashLing-1TStep-3ERNIE 4.5InternLM3

Крупные интернет-компании и академические команды активно публикуют open-source модели: MoE, мультимодальные, лёгкие версии для устройств на всех уровнях.

Официальный HuggingFace Open LLM Leaderboard прекратил обновление в 2025 году; актуальную популярность open-source моделей оценивайте по Trending, загрузкам и LMArena.