当前，中国大模型领域呈现出一种独特现象：几乎每家头部企业都宣称自家模型为“中国第一”，甚至“全球前三”。阿里称其Qwen3.8-Max在第三方盲测中仅次于Claude；月之暗面宣称Kimi K3是全球最强开源模型；智谱表示GLM-5.2在Code Arena全球排名第一；DeepSeek宣称其模型在SWE-bench Verified测试中得分80.6%；字节跳动称豆包2.1在IMO金牌和HLE测试中全球领先；百度则强调文心5.0拥有10M上下文和中文写作第一的能力。
这些表述并非完全错误，但都存在片面性。它们共同的特点是，每个“第一”都附加了特定条件：参数规模最大、单项基准测试第一、特定盲测榜单第一、特定价格区间第一等。这种宣传方式与智能手机时代厂商宣称“跑分第一、拍照第一、续航第一”，以及新能源汽车领域宣称“续航第一、智驾第一、安全第一”的情况颇为相似。
相比之下，美国大模型行业已形成相对公认的竞争格局。不同阶段，OpenAI、Anthropic的Claude和Google的Gemini轮流领先。2026年年中，行业共识是Anthropic重新领跑，其Claude Fable 5在Artificial Analysis智能指数上以约60分排名第一，GPT-5.6 Sol以约59分紧随其后。这一共识由第三方评测机构、开发者社区和实际使用数据共同形成，无需依赖企业发布会。
中国尚未形成类似共识，并非缺乏答案，而是被企业宣传所掩盖。为探究真实情况，我们采用Artificial Analysis智能指数、Arena全球盲测和SuperCLUE中文测评三类权威第三方数据，进行交叉验证。
Artificial Analysis是国际开发者社区广泛引用的独立评测机构，其智能指数综合数学、推理、代码、知识等多维度测试，对全球189款模型进行统一排名。截至2026年8月初，中国主要模型成绩如下：月之暗面Kimi K3（Max）以57分排名第四，创开源权重模型历史最高纪录，超越Claude Opus 4.8（约56分），仅次于Claude Fable 5（约60分）、GPT-5.6 Sol（约59分）和谷歌一款旗舰模型；智谱GLM-5.2（Max）得51分，排名十名开外；DeepSeek V4 Flash 0731得50分，与谷歌Gemini 3.6 Flash持平；阿里Qwen3.8-Max尚未完成评测，其上一代Qwen3.7-Max得分为56.6分。
这表明，中国最强模型已接近全球第一梯队，Kimi K3与榜首差距仅3分，而一年前这一差距为两位数。同时，“官方宣称最强”与“第三方验证最强”存在差异，声称“仅次于Claude Fable 5”的Qwen3.8-Max，恰是头部模型中唯一缺乏第三方成绩的。
Arena盲测机制为人类匿名投票，两个模型回答同一问题，用户选择更优者，数百万投票转换为ELO积分，衡量“真人认为谁更好用”。2026年8月第33周榜单显示，在综合榜中，Anthropic的Claude系列包揽前五，国产模型中Qwen3.8-Max排名第八（ELO 1491），Kimi K3 Max排名第十二（1489），为仅有的两家进入前十五的中国模型，两者分差仅2分，基本并列，但Qwen3.8-Max位置更靠前。
在代码榜中，Kimi K3 Max排名第六（1544分），为排名最高的国产代码模型，Qwen3.8-Max排名第十三，小米Mimo排名第二十五。前端开发榜中，国产模型表现突出，Kimi K3 Max以1674分排名第二，仅落后榜首Claude Opus 5 Max（1692分）18分；Qwen3.8-Max排名第三（1667分）；智谱GLM-5.2-Max排名第九；DeepSeek V4 Pro新入榜即排名第十。一个月前，Kimi K3曾以1679分短暂登顶该榜单，为国产模型首次在该实战榜单上获得全球第一。
智能体榜中，Kimi K3 Max以10.60%的净提升度排名第五，与Claude Opus系列同处全球第一梯队；Qwen3.8 Max新入榜排名第十一；GLM 5.2 Max排名第十四；DeepSeek V4 Flash排名第十九。综合来看，Kimi K3 Max为中国模型中覆盖面最广、排名最高的，代码第六、前端第二、智能体第五、综合第十二，无一项掉出前十五；Qwen3.8-Max为综合榜排名最高的国产模型，但在代码、智能体两个实战榜单上落后于Kimi。
SuperCLUE是中文场景下最具公信力的第三方基准之一。2026年7月榜单显示，12款国产主流模型综合总分排名为：Qwen3.8-Max、Kimi-K3、豆包Doubao-Seed-2.1-Pro与DeepSeek-V4-Flash。第一和第二分差很小，但顺序明确，Qwen3.8-Max在中文综合能力上排名第一，与Arena综合榜表现相互印证。值得注意的是，字节豆包2.1-Pro在中文综合测评中排名第三，是“五强”中唯一未参加Arena国际盲测的模型，其能力在国内榜单可见，但在国际坐标系中缺失。DeepSeek排名第四，其曾经的领跑者位置已被后来者取代。
编程专项上，SuperCLUE给出不同答案。GLM-5.2以64.13分断层领先，Kimi K2.7-Code得55.43分。智谱为典型“偏科生”，单项编程全球第一（在国际Code Arena和Design Arena上获得过第一），但综合能力未进入国内前四。
2026年夏天，五家企业密集发布前沿模型：6月中旬智谱GLM-5.2，7月16日Kimi K3，7月19日Qwen3.8-Max预览，7月27日Kimi K3开源，7月31日DeepSeek V4 Flash 0731，8月3日Qwen3.8-Max正式版。三个事实值得关注：百万token上下文已成为旗舰标配；2万亿参数级模型全部选择开源（MIT协议），为中国公司对全球开源社区的贡献，也是对美国闭源路线的差异化竞争；同为旗舰，输出价格相差50倍，Kimi K3输出定价100元/百万token，为DeepSeek V4 Flash的50倍。
综合三条证据链，2026年8月中国大模型五强真实位置如下：月之暗面Kimi K3为验证维度上的中国第一。7月16日发布，7月27日开源，2.8万亿参数、104B激活，为人类历史上参数规模最大的开源模型，也是全球首个原生支持文本、图像、音频、视频四模态的万亿级开源模型。其第三方成绩单最完整，AA智能指数57分（开源史上最高、全球第四、超过Claude Opus 4.8），Arena前端第二、代码第六、智能体第五，SuperCLUE中文第二。FireworksAI在1030个真实Agent任务上的实测显示，Kimi K3表现接近Claude Fable 5，成本约为其1/50。短板为价格昂贵。
阿里Qwen3.8-Max为中文综合与生态上的第一。2.4万亿参数、95B激活，8月3日正式版发布。为SuperCLUE中文综合第一、Arena综合榜国产最高（第八）。但其国际验证成绩单目前空白，AA智能指数未评测，官方基准全部来自阿里自己。其真正优势在于Qwen开源家族数年积累的全球下载量第一、衍生模型生态最厚。
深度求索DeepSeek V4为推理与性价比之王，但已被反超。2025年初，DeepSeek R1以极低训练成本逼近当时OpenAI顶级模型，在硅谷引发震动。此后一年半，DeepSeek节奏放缓，V4今年4月24日发布，中间四个月无重磅更新，7月31日的V4 Flash 0731和8月中旬的V4 Pro更新才重新回到竞争行列。其底子仍在，8月中旬一项对8款主流模型的独立横评（API实测）中，DeepSeek V4 Pro以9.1分排在所有国产模型之首，全场仅次于Claude Opus 4.8（9.20），推理单项9.5分超过GPT-5.6，“识别条件不足、知道何时不该下结论”的能力被评为全场最强；SWE-bench Verified约80.6%为国产模型中可查证的最高标准化跑分。V4 Flash（284B/13B激活）把输出价格压到2元/百万token，约为Claude Opus的1%，为Agent高频调用场景默认选项。但其AA智能指数为50分，综合排名已被Kimi K3（57）和Qwen3.8-Max甩开，从2025年全球领跑者变为2026年追赶者。
智谱GLM-5.2为编程特长生。约744B参数，MIT开源，基于华为昇腾训练。在Code Arena、Design Arena两个国际编程盲测榜上拿过全球第一，SuperCLUE编程专项断层领先。但综合能力（AA 51分、Arena智能体第十四）与第一梯队有明显差距，独立横评中其推理任务表现甚至出现过失误。
字节豆包2.1-Pro为用户规模第一，国际验证缺位。SuperCLUE中文综合第三，响应速度全场最快（首字延迟约380毫秒），背靠豆包App国内最大AI用户盘子。字节内部正在推进五万亿参数超大模型前期论证。但其缺席Arena国际盲测，AA指数也查无此模型，无法参与“全球坐标”排名。
中国大模型领域“人人第一”现象背后，是企业选择对自己最有利的坐标系进行宣传。阿里称“盲测仅次于Claude”，用的是Arena综合榜（第八，前面7个中有5个是Anthropic和谷歌模型，国产中确实最高）；月之暗面称“全球最强开源”，用的是参数规模和AA指数（在开源类目中确实第一）；智谱称“全球第一”，用的是Code Arena（编程单项确实第一过）；DeepSeek称“SWE-bench 80.6%”，用的是单一标准化基准（确实可查证）；字节称“金牌、全球领先”，用的是竞赛成绩和自建基准（HLE-Text 54.2分确实是该基准最高分，但样本极少）。
美国行业也存在营销，但受两股力量压制：一是Artificial Analysis、Arena等成熟第三方评测机构存在，其榜单被投资人和企业采购方当作决策依据，厂商无法回避；二是开发者社区舆论场，模型发布后几小时内就会在开源社区和社交媒体上被真实任务检验，名不副实的宣称难以存活48小时。中国评测基础设施（SuperCLUE、OpenCompass等）正在完善，但公关宣传音量仍大于榜单音量。
中国第一与世界第一差距目前为3分（AA指数57对60），但实际差距更大。Kimi K3超过的是Claude Opus 4.8，面对的Claude Fable 5、GPT-5.6 Sol以及Anthropic8月密集发布的多款opus-4系列新模型仍在快速迭代。Arena第33周榜单上，综合榜前五名全部是Anthropic模型，集中度体现差距。
但中国模型进步显著，从“落后一个身位”到“3分之差”仅用一年半。2025年初DeepSeek R1让全球首次正视中国模型，2026年年中Kimi K3成为全球前五中唯一非美国模型且开源。在开源领域，格局已反转，全球最强开源权重模型（Kimi K3）、下载量最大开源家族（Qwen）、生态最活跃开源社区均在中国。
这场追赶背后，算力是重要变量。GLM-5.2基于华为昇腾训练，为首个在国际榜单登顶的国产芯片训练模型；DeepSeek架构设计从V3开始以“单位算力产出最大化”为第一原则，用稀疏激活和算法优化压低成本；Kimi K3和Qwen3.8-Max的万亿级训练完成于国产算力占比持续提升的集群。在美国对高端GPU出口持续收紧背景下，中国大模型进步是在算力约束下取得，为效率创新产物，具有可持续、可复制性。
商业模式与生态差距也常被忽略。Anthropic与OpenAI领先不仅是模型分数，还有Claude Code、ChatGPT等被全球开发者高强度使用的终端产品形成的真实数据飞轮。中国模型在API与开源生态上进展快，但全球级别终端产品尚未出现，豆包用户盘子主要在国内，Kimi和Qwen海外用户以开发者为主。分数可三个月追平，产品与生态差距需更长时间弥补。
