SuperCLUE 11月榜：Kimi开源第一，Gemini长文本领先

榜单概览：总分和单项成绩并不同步

2026年11月5日，SuperCLUE公布了最新一轮评测结果。这一次的信号很直接：挑模型别只盯着总分看。评测共纳入19款模型，12款标注为“开源”，另外7款属于“闭源”。

综合得分排下来，Google的Gemini-4-Argon以73.62分居首，OpenAI的GPT-6.1-Sol以71.76分排在后面。月之暗面的Kimi-K3.1-Pro拿到61.46分，位列第三；不过在全部“开源”模型当中，它的综合分是最高的。

有个细节得说清楚。按SuperCLUE的排名规则，国际模型（一般指非中国本土开发的模型）不进入具体数字排名，表格里只用横杠表示。因此Gemini、GPT以及韩国那款Darwin在“排名”一栏都是空的。它们并非没有参加测试，只是评级策略上做了区分。Kimi拿到的“第1名”，指的是它在SuperCLUE所定义的开源及本土模型排序中的位置。

把各项能力拆开看，情况更有看头。没有哪款模型能在所有项目上通吃，各自都有擅长的地盘。

代码能力：DeepSeek紧咬第一梯队

智能体编程（Agentic coding）这一项，GPT-6.1-Sol以69.23分拿到最高分。不过开源阵营里，DeepSeek-V4.1-Flash-1017拿下65.38分，与排名第二的Gemini-4-Argon分数一模一样，距离GPT也就差了不到4分。

同场对比，Kimi在这个单项上是57.69分，GLM-5.3为53.85分。DeepSeek在代码任务上的优势比较明显，比同样属于开源阵营的Kimi高出7.69分。

这能说明什么？要是你的主要需求是写代码、做Code Review，或者搭建编程智能体，DeepSeek-V4.1算是性价比很高的选项。Kimi的综合总分虽然更高，可到了代码这一项，DeepSeek的表现离顶尖闭源模型更近。对开发者来说，单轮代码生成、多步工具调用的稳定性，常常比一个模糊的综合高分更管用。

数理推理：Darwin成为开源黑马

数学和科学推理向来是检验模型逻辑硬实力的标尺。这一环节，GPT-6.1-Sol仍以76.32分领跑。

出乎意料的是韩国开发商VIDRAFT的Darwin-180B-RSI-R3。它在数理推理上拿到73.68分，压过了Gemini-4-Argon（71.05分）和DeepSeek-V4.1（71.05分），也是所有开源模型里的头名。总榜上它排第九，可在理科生擅长的领域，它甚至盖过了一些知名闭源模型。

模型能力的“偏科”也在这里露了出来。比如Spark-X2.6，数理推理能拿68.42分，看着不错，但代码环节只有26.92分，指令遵循更是低到12.07分。所以别因为某款模型在某一项测试里表现好，就顺理成章地以为它别的方面也行。每项测试背后的任务分布和评分标准可能完全不同，直接拿分数做除法算“能力比率”没有意义。

幻觉控制：Gemini的优势区间

谁更少胡编乱造？这是企业应用最在意的问题之一。幻觉控制（Hallucination control）维度，Gemini-4-Argon以83.19分大幅领先，比第二名Kimi-K3.1-Pro高出15.41分。

Kimi以67.78分排在开源模型首位，这个分数其实不低，比GPT-6.1-Sol（63.61分）还高出4分多，更是远超另一款开源模型GLM-5.3-Flash（48.89分）。

不少人会误以为83.19分就是“准确率83.19%”，或者反过来理解成“错误率16.81%”。其实SuperCLUE的打分体系相当复杂，没法拿来做这种直接换算、推成故障率。不过放到文档问答、检索增强生成（RAG）这类场景里看，Gemini拿高分说明一件事：证据缺失的时候，它更愿意说“不知道”，或者把错误的前提指出来，而不是硬凑一个答案。话说回来，一个模型要是为了不出错干脆什么都不答，那同样没用。Kimi在这一点上平衡得也还可以，算是开源模型里比较靠得住的那个。

指令遵循：闭源双雄并列，开源仍有差距

精确指令遵循（Precise instruction following）这项测试中，Gemini-4-Argon和GPT-6.1-Sol并列第一，均为68.97分。

开源模型里，Kimi-K3.1-Pro以44.83分领跑，DeepSeek-V4.1紧随其后，得分43.10。两者差距很小，只有1.73分，放到实际业务中几乎可以忽略，选谁更多取决于你的其他需求（比如是否需要更强的代码能力）。

不过这个类别真正值得看的，是闭源和开源之间那道断层。头名跟开源第一之间拉开了24.14分，五个类别里就数这里差距最大。处理复杂约束、输出JSON格式、同时满足多个条件这类精细活，顶尖闭源模型眼下还是明显占优。

拿GLM-5.3来说，代码和长文本上它表现还过得去，可指令遵循只拿到17.24分。也就是说，你让它按指定格式输出，它可能絮絮叨叨塞一堆解释，也可能把必填字段给漏了。放到自动化工作流里，这种不稳定会直接坏事。

超长上下文：Kimi逼近GPT

超长上下文（Ultra-long context）是Gemini的传统强项，这次它依然以95.63分遥遥领先。

真正的较量其实在第二、第三名之间展开。GPT-6.1-Sol拿到88.14分，Kimi-K3.1-Pro是87.25分，两个数字只隔0.89分。Kimi还是开源模型，能打成这样相当硬气。碰上几十万字的长文档、要多份文档交叉比对时，它的表现已经跟GPT贴得很近。

开源阵营里，Kimi（87.25分）把GLM-5.3（77.60分）甩开将近10分，GLM-5.3又比DeepSeek-V4.1（66.25分）高出11分多。前面那个判断在这里又得到一次印证：DeepSeek写代码是一把好手，读长书未必在行。业务落在法律合同审查、长篇研报分析上，开源模型里先看Kimi；要写代码，那就换回DeepSeek。

还有一点得说清楚：基准测试拿高分，不代表模型真能吞下无限长的上下文窗口。能装多少字，跟能不能在中间把关键信息捞出来，完全是两码事。真到部署的时候，长文本里的“大海捞针”能力得实测，随之而来的内存占用和首字延迟成本也得算。

19款模型综合得分排名

下面把完整名单按综合得分从高到低排好，方便对照。要看清楚，“SuperCLUE排名”那一栏里，国际模型是横杠，只作参考，不进入本土/开源模型的数字排位。

表里有几个细节挺有意思：

1. 头部效应明显：Gemini和GPT排在前两名，分数把后面的模型甩得很远，断层优势还在。
2. 开源三巨头：Kimi、DeepSeek和GLM撑起开源第一梯队，可三家的技能树点法各不相同。Kimi走均衡路线、长文本是强项，DeepSeek代码突出，GLM在部分单项上有亮点，短板也摆在那里。
3. Darwin的定位：上榜的韩国开发模型只有Darwin-180B一个，总分排第九，数理推理却是开源第一。科研、教育类应用如果要找差异化选项，这个值得留意。
4. 分数的密集区：第8名到第14名，分数全挤在41-43分之间，彼此差得很小。SuperCLUE把这些模型放进相同的排名档位（如第5名、第6名），说明这个区间里综合性能的差别可能落在误差范围内，选型时更该看具体垂直场景的表现。

给开发者的选型建议

这份榜单不是拿来“信仰充值”的，是用来帮你省钱、省时间的。

• 做代码辅助、Copilot类产品：优先测DeepSeek-V4.1-Flash-1017。它代码单项上的表现接近GPT，又是开源模型，部署成本和可控性都更好。
• 要做复杂数学解题、科学计算：别漏掉Darwin-180B-RSI-R3。它的数理推理得分比Gemini和DeepSeek还高，适合垂直领域的专业应用。
• 主要处理长文档、合同、研报：开源模型里首选Kimi-K3.1-Pro，长上下文得分紧咬GPT，幻觉控制也好过大多数同行。
• 追求极致的稳定性和指令服从：预算够的话，Gemini-4-Argon和GPT-6.1-Sol仍是标杆。需要严格JSON输出、多步复杂逻辑判断的自动化流程，闭源模型眼下的容错率更低。

说到底，基准测试只是起点，真正的考验在你的具体业务数据。选定候选模型后，拿真实的Prompt、真实的并发量、真实的硬件环境跑一次A/B测试。别只盯准确率，首字延迟、显存占用、每千Token的成本同样要看。跑得准却跑不起的模型，放到生产环境里没有意义。