8月6日消息，SuperCLUE放出2026年7月中文大模型完整测评榜单，一共12款国产主流模型参与测试。
综合总分排名中，Qwen3.8-Max位列第一，Kimi-K3第二名，豆包Doubao-Seed-2.1-pro第三名，DeepSeek-V4-Flash位居第四名。
这次测评和以前不一样，把传统代码生成升级成智能体编程，权重直接给到25%，更贴合程序员真实开发流程。
剩下五项分别是数学推理18%、科学推理16%、精确指令遵循16%、幻觉控制16%、智能体任务规划9%，六大维度综合算出最终得分。
综合总分上，Qwen3.8-Max拿到71.48分，Kimi-K3是70.68分，两者只差0.8分。
豆包Doubao-Seed-2.1-pro拿到65.95分，DeepSeek-V4-Flash则是65.6分，DeepSeek-V4-Pro以64.4分位居第五名。
不同细分赛道各家长短板差别很大。智能体编程这块Kimi-K3是全场第一，拿到75.79分，写工程代码、多轮开发交互优势明显；千问排在第二，68.42分。数学推理DeepSeek-V4-Flash最强，78.95分；科学推理则是豆包表现最好，77.19分。
幻觉控制、智能体任务规划两个项目，千问直接断层领先，不容易编造虚假信息，拆分复杂任务的能力更强。
推理速度和性价比是另一套评判标准。DeepSeek-V4全系列属于高性价比区间，API定价低，推理质量在线，同时DeepSeek-V4-Flash、GLM-5.2、Hy3 三款处在高效能区，计算耗时短。
反观总分前两名的千问、Kimi，虽然推理得分高，但单次运算等待时间很长，属于低效能梯队，Kimi的耗时甚至是最快模型的三倍。
预算有限、做批量开发的开发者，优先选DeepSeek系列；日常办公、写文案、怕AI乱编内容，千问更合适；专业程序员、长期写工程代码，Kimi体验更好。
