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第三方平台联网搜索能力测试（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