SuperCLUE 11 月榜：国内模型差的 24 分在哪

11 月 5 日，SuperCLUE 发布 2026 年 11 月通用中文测评，19 款模型参与。权重设置为智能体编程 30%、数理推理 24%、幻觉控制 18%、精确指令遵循 18%、超长上下文 10%。官方说明：国外模型与部分国内模型不参与排名，只作参考。

总分上，Gemini-4-Argon 73.62 居首，GPT-6.1-Sol 71.76 次之；国内第一是 Kimi-K3.1-Pro 的 61.46，随后是 DeepSeek-V4.1-Flash-1017 的 58.95 与 GLM-5.3 的 50.66。

但总分是被权重揉过的数字，分项才说明问题。

一、已经咬住的两项

智能体编程：DeepSeek-V4.1-Flash-1017 拿到 65.38，与 Gemini 并列第二，仅次于 GPT-6.1-Sol 的 69.23。这是国内模型在权重最高的一项上最接近头部的成绩。

超长上下文：Kimi 的 87.25 已接近 GPT-6.1-Sol 的 88.14，Gemini 的 95.63 仍是第一。差距存在，但不算断代。

这两项恰好是过去两年投入最集中的方向——代码数据与长上下文工程。投入见效了。

二、真正落后的一项

精确指令遵循：国内最高是 Kimi 的 44.83，DeepSeek 43.10，GLM-5.3 只有 17.24。而 Gemini 与 GPT 都在 68.97，差距 24 分。

这一项考的正是「按格式输出、按约束执行」：指定 JSON 结构、限定字数、要求逐条回答。它不炫技，但直接决定模型能不能嵌进业务系统。

24 分的差距意味着什么？在真实工程里，它意味着你需要在外层加校验、加重试、加兜底解析。这部分代码的成本，往往比模型调用费更高。

三、成本侧的第二个发现

测评同时统计了编程任务的消耗。GPT-6.1-Sol 以每题平均 30.89 万 token、14.58 轮交互拿到最高分；Step-5-Preview 平均 88.88 轮、402.91 万 token，约为前者的 13 倍，得分 46.15。

测评方的结论是「更多交互不等于更高得分」。这句话对做 Agent 的团队是直接提醒：交互轮次多通常意味着模型在试错，而试错的成本用户看不见，账单看得见。

四、怎么用这份榜单

第一，别只看总分排序，先看你的任务落在哪个分项。做 Agent 就看编程与指令遵循，做文档处理就看超长上下文。

第二，把「国内第一」当成相对位置而非绝对能力。61.46 与 73.62 之间是 12 分的实打实差距，不是统计噪声。

第三，注意 Preview 版本的存在。LongCat-2.5-Preview 在榜上是 39.59，但它的正式版能力描述与 Preview 差异较大，用榜单数字做最终决策前，最好自己跑一遍业务样本。

榜单的价值在于给出坐标，不在于给出答案。