ReLE中文大模型能力评测榜单持续更新
我从不信评测榜单，直到这个“错题集”让我破防了
你信吗？我在这圈子里摸爬滚打这么多年，早就对所谓“中文大模型排行榜”免疫了。
不是吹牛，是见过太多骚操作。有的厂商自己搞个榜，专测自家模型最擅长的科目——这不就是开卷考试吗？有的媒体排个名，数据来源你追问三句就支支吾吾。还有的，你肉眼都能看出刷分痕迹，分数高得离谱，一问细节就装死。
我之前写过几篇吐槽，说得直白点：你让一个模型去考它自己出的卷子，这不是自嗨是什么？
所以当我看到ReLE这个榜的时候，第一反应就是——又来一个？
但你说巧不巧，我耐着性子翻了翻，发现……嗯？这玩意儿跟别的不太一样。
这个榜，把“裸考”玩出了新高度
ReLE以前叫CLiB，后来改了个名字，全称是Really Reliable Live Evaluation for LLM。口气是真不小，但人家做的事，确实有点东西。
覆盖了382个大模型——你没看错，382个！不光是ChatGPT、Claude、Gemini这些海外大佬，国产的qwen、glm、deepseek、豆包、kimi全都在里面。而且，它不像别的榜给个总分就完事了，而是分了7大领域、300多个细分维度去测。
最让我震惊的是：他们建了一个规模超200万的缺陷库，全部开源。
你品，你细品。这就好比考试结束后，别的学校只贴出红榜告诉你“张三考了第一”，而ReLE直接把所有学生的错题本都摆出来让你看——“张三这次数学扣了15分，因为第三题没做对；李四语文作文跑题了，扣了20分……”
很多榜只想让你看排名，它倒好，连错题集都公开了。
我花了好几天时间，把ReLE最近几个版本的更新数据拉了一遍，重点盯了四款新模型——GLM-5.2、MiniMax-M3、Claude Opus 4.8（非思考模式）、Qwen3.7-Plus。测试题数都在1.5万左右，覆盖教育、医疗、金融、法律、推理数学、语言指令、Agent工具调用、coding，算是相当全面了。
说到这儿，你可能觉得我有点上头。没错，我甚至自掏腰包，花了几百块钱调了其中两个模型的API，自己验证了几个维度的结果——主要是想确认那些数据波动到底是真实差异还是样本偏差。
结果呢？基本对得上。
四个模型，四个故事，四个真相
GLM-5.2：打了一套组合拳，但没全中
新版总分73.0%，比上一代GLM-5.1高了2.3个点，排名从第21直接跳到第9。
最亮眼的是什么？coding！从52.1%飙到68.7%——涨了16.6个百分点！这个幅度，搁哪个模型身上都算暴力提分。官方也说了，这次定位就是长程编码和代码Agent，方向确实对了。
但你知道问题在哪儿吗？
金融从85.2%掉到79.0%，推理数学从82.8%掉到78.0%，医疗也从86.6%掉到83.7%。换句话说，它把一部分中文知识类任务上的能力匀给了coding——本质上是一次能力重配，不是全面升级。
响应速度倒是快了不少，每次调用平均耗时从183秒降到93秒，降了近一半。但代价是成本涨了——千次调用花费从73.8元涨到110.5元。
用更快的响应换更多的钱包支出，值不值？看你的业务。如果你需要长程编码，这波操作可以接受；如果你看重金融、医疗场景的稳定输出，那它反而退步了。
Claude Opus 4.8（非思考模式）：变快了，也更偏了
总分71.5%，比上一代4.6涨了1.5个点，排名第11。推理数学提升最明显，从71.8%到76.6%，涨了4.8个点。Agent和coding也分别涨了4.3%和4.0%。
速度提升确实厉害，平均耗时从15秒降到9秒，快了40%。
但！你猜怎么着？
教育从63.0%掉到56.4%，掉了6.6个点！金融和法律也分别掉了4.5%和3.7%。这个“偏科”比GLM-5.2还严重。
说实话，教育维度的56.4%在现在的中文榜单里已经是偏低的分数了。 你要用它做教育类应用的底层模型，得掂量掂量。
另外，每百万token输出价格还是175元，没降。千次调用花费99.4元，基本持平。速度快了是好事，但如果你主要面向中文教育、金融这类场景，它的能力波动可能得靠别的方式兜底。
Qwen3.7-Plus：提分又降价，少见的双赢
这个模型，是我这次看得最有好感的。
总分73.5%，比上一代qwen3.6-plus涨了2.8个点，排名从17升至第6。推理数学从74.6%涨到84.5%，涨了9.9个点；金融从77.1%涨到85.7%，涨了8.6个点；医疗和法律也分别涨了5.0%和5.7%。
这四个维度的集体增长说明什么？它不是靠牺牲某一块来换另一块，而是实打实地提升了综合能力。
最有意思的是成本。千次调用花费从41.6元降到了31.7元，降了23.8%。Token消耗虽然涨了13%（输出变长了），但输出价格从12元降至8元/百万token，直接拉低了总体成本。
涨价容易降价难，这个操作在今年的模型迭代里挺少见的。
当然也有短板：语言与指令遵从从70.3%掉到了61.8%，掉了8.5个点。如果你做的产品对格式控制、指令精确服从要求很高（比如自动生成结构化报告），建议单独验证。
但整体来说，它是我目前在这个价位上最推荐的中文综合模型。
MiniMax-M3：代际进步，但还在追赶
总分67.5%，排名31，比自己的M2.7高了2.4个点。进步是有的，但放到同价位区间里看，压力不小。
它所在的30-45元/千次档位，qwen3.6-plus（70.7%，41.6元）、Qwen3.5-122B（70.9%，32.3元）、ernie-5.1（68.2%，32.6元）都在它上面。往下看，更低成本的DeepSeek-V4-Flash（68.8%，4.9元）、Doubao-Seed-2.0-lite（70.5%，5.4元）不仅便宜，分数还更高。
说它差也不至于，67.5%已经超过GLM-4.7（67.3%）和GPT-5.2-high（67.3%），但要说它能当首选，又差一口气。
如果你已经在用MiniMax产品线，那这次升级是稳稳地往前走了一步；如果你是刚选型，同价位有更好的选择。
榜单之外，还有一个让我后背发凉的发现
ReLE这次还有一个发现让我印象特别深：它统计了“语言与指令遵从”维度的整体分数。
这个维度是所有模型共同的弱项——在300多个模型里，没有一个超过75%，大部分在60%-70%晃悠。
你想想，连OpenAI、Claude这些头部模型都搞不定“让AI乖乖听指令、严格按格式输出”这件事，那些声称自己“智能体表现卓越”的厂商宣传是不是得打个折扣？
我建议所有做AI产品的PM，特别是做自动化流程、聊天机器人的，一定拿实际场景去测，别光看榜单总分。
还有一件事：ReLE对私有大模型提供免费评测服务。我还没试过，但这点挺良心的。如果你公司在用自研或微调的模型，去提个免费评测，拿回来一份详细的“错题本”，比你自己攒测试集靠谱多了。
那到底怎么选？我给你一张“地图”
抛开排名，结合我的实测和ReLE的数据，我这么推荐：
- **日常对话、办公文案**：GPT-5.5或Gemini-3.5-Flash。稳，幻觉低。不差钱选前者，想省钱选后者。
- **写代码、复杂技术辅助**：Claude-Opus-4.8或Qwen3.7-Max。Claude代码能力天花板，但贵；Qwen3.7-Max中文场景和综合性价比更均衡。
- **数学推理、数据分析**：DeepSeek-V4-Flash。数学分数全场最高，价格低到极致（4.9元/千次），没有对手。
- **智能体、自动化工作流**：Kimi-K2.6，Agent规划国内领先。预算更紧可以看DeepSeek-V4-Pro。
- **中文深度理解、教育、医疗等垂直场景**：Doubao-Seed-2.0或ERNIE-5.1。字节和百度在中文本土化上确实有积累。
- **追求极致性价比（高调用量业务）**：DeepSeek-V4-Flash依然是王者。或者看最近出的Doubao lite，5.4元千次，分数70.5%，划算。
- **企业私有化部署**：DeepSeek系列或GLM-5.1，开源可控。
别光盯着排名的头尾看，先看自己场景所需的维度，再对应几个模型的得分和成本，画个二维图，心里就有数了。
ReLE能给你这张图，但要不要买那个票，还是得你来。
写在最后：2026年上半年的格局，一句话说透
海外还在领跑，但国产和开源追得越来越紧。
Gemini、GPT、Claude依然占金字塔尖，但DeepSeek、Qwen、Doubao、Kimi已经稳稳站进全球前十。
最让我兴奋的不是某个模型拿了第一，而是开源模型的集体爆发——DeepSeek-V4-Flash和Qwen3.6系列的开源版，已经把能力做到了接近头部，成本却只有一个零头。
回到评测这件事。ReLE这个榜单我以后会持续关注，不是因为它的排名有多准，而是它敢于把错题都亮出来，还允许你复现、质疑。
在这个被各种“SOTA”和“超越GPT”刷屏的时代，能有这么个地方让模型“裸考”，再大方地告诉你它哪题错了——挺难得的。
对了，如果你读完也想自己去体验一下，ReLE的地址是：github.com/jeinlee1991/chinese-llm-benchmark
去跑一跑自己的模型，让结果说话。
别让你的选择，只靠一张榜单的排名说话——去考场看看，它到底答错了什么题。
读者评论 3