为什么重要
SuperCLUE 是多维度中文 LLM 评测，是国内最持续的月度通用榜。与 C-Eval 互补（C-Eval 偏知识，SuperCLUE 偏能力）。2026 年的五大任务口径明显向 Agent 时代倾斜——「智能体编程」与「幻觉控制」各占一席，直接对应中文企业用户最关心的两件事：能不能干活、会不会一本正经地胡说。
构建方式与示例
月度更新测评集，2026 年起为五大任务口径：智能体编程（AI Agent）、数理推理、超长上下文、精确指令遵循、幻觉控制。分差 1 分以内判并列名次，因此中段经常出现多模型并列（2026-11 榜第 4–6 名区间挤了 GLM-5.3-Flash、Qwen3.8-Max-0902、Hy4-Preview、豆包 Seed-2.1-Pro、MiniMax M3.1-Flash、Step-5-Preview 等一批模型）。
最新进展
- 2026-11-05 公布 11 月月度榜（19 款模型）：Gemini-4-Argon 73.62 居首，Kimi-K3.1-Pro 61.46 为国内与开源双第一。 三条读法：① 总分与分项错位——Argon 靠超长上下文 95.63 的断层单项撑起总分，GPT-6.1-Sol 的数理推理 76.32 是另一根支柱，K3.1 Pro 的幻觉控制 67.78 是国内唯一过 67 的条目，「谁的分数」要看分项而非总分；② 国内第一梯队格局——K3.1 Pro（61.46）> DeepSeek-V4.1-Flash-1017（58.95）> GLM-5.3（50.66），与前几轮 HF 官方榜 / 厂商自报体系里观察到的「K3.1 Pro 最活跃头部、DeepSeek V4.1 Flash 系紧随」格局互相印证，但注意 SuperCLUE 分数量级与英文基准完全不同尺，61.46 不是「能力弱」，是该评测口径下的相对位置；③ 尾部构成——小米 MiMo-V2.6-Flash（36.40）/ MiMo-V2.6-Pro（34.57）、科大讯飞 Spark、美团 LongCat 均在榜，月度榜的参与广度（19 款）本身是其中文社区覆盖度的读数。
- 历史口径切换说明：本卡 topResults 原为 2024 年旧口径（三大板块：开放问题/客观题/Agent），GPT-5 88.6 / Qwen2.5-72B 85.3 / DeepSeek V3 83.1。旧口径与 2026 年五大任务口径不可直比（88.6 vs 73.62 的量级差来自口径而非模型退步），2026-11-09 起本卡 topResults 记录现行口径，旧值保留于此作历史快照。