一文横扫大模型技术文档:Claude5、GPT5.5、GLM-5.2、Qwen3.7、DeepSeek-V4、Kimi K2.7评测指标大横评

每次模型发布，各大厂商都会公布一系列指标，他们分别都是什么意思？通过这些指标我们能够获得什么信息？

谁最可靠、谁在撒谎？谁是真的有实力，搞清楚指标的含义、拉出来横评，谁在裸泳，一目了然。

“LLM 会不惜一切代价通过测试，哪怕做出很奇怪的事情来达成目标”。”一旦某个指标变成了目标，它就不再是一个好的衡量标准”。每次新模型发布都需要打败上一代的基准分数，否则就会被市场判定为”失败”。

把指标归类到能力轴

与其孤立记忆每个基准，不如先建立一个”能力坐标系”。业界公认的分类体系大致可以归纳出如下几种：模型在通用知识、数学推理、代码工程、Agent 工具调用、人类偏好和安全对齐等能力轴上。

大模型评测指标体系全景解析

2026年的大模型评测体系已从单一准确率转向多维能力雷达图，覆盖知识、推理、Agent、多模态、长文本、数学、编码、人类偏好、安全对齐及真实业务场景十大维度。以下按分类详解各核心指标：

当你看到一份模型发布报告罗列十几个数字时，第一反应不是逐个对比数值，而是先判断”这个数字属于哪个能力轴”，再判断”同轴内其他模型的分布情况”，避免被厂商刻意挑选的”优势指标”误导。

逐模型技术文档拆解

扒开他们的底裤，各家模型虽然都在”刷榜”，但是似乎技术文档已经预示能力大小：

Claude Opus 4.8 和 GPT 5.5 依然占据了大模型的统治地位。无论是综合能力还是编码能力，功力深厚，但是国内在单项能力和他们已经开始进入焦灼状态了。

国内模型体测是Qwen3.5、DeepSeek和GLM-5.2有望站住前三的地位。看他们的评测指标其实都能看出来，基准跑分测的项目也很全面，混元HY3也是，莫不是这次真的很有自信了嘛。

MiniMax的业务主要是面向海外，这方面是很聪明的，国内的模型太卷了，即使三分天下，循环起来也很难。

Mimo满喜欢html图文的，LongCat估计会吃下不少浏览器场景的用户，豆包 2.1 评测项目也很丰富，经常使用做 PPT 效果也很好，其他模型用的就少了。

1. GLM-5 / GLM-5.2（智谱 AI）

从技术文档可以看到：GLM5^[1]从主打”从 Vibe Coding 到 Agentic Engineering”到G5.1 的“Towards Long-Horizon Tasks”（5.1），最后到“GLM-5.2: Built for Long-Horizon Tasks”。

2. Qwen3.7-Max（阿里）

Qwen3.7^[2]是评测指标最全、第三方验证最扎实的，技术文档强调：智能体新前沿。

3. Deepseek-V4(深度求索)

DeepSeek^[3]就是斩杀线，比不上的必须拿出自己的特色来证明自己的能力。

4. MiMo V2.5 / V2.5 Pro（小米）

技术文档强调在通用智能体能力、复杂软件工程以及长周期任务方面相比前代模型 MiMo-V2-Pro^[4] 实现了显著提升。

5. Kimi K2.7-Code（月之暗面）

指标最”私有化”的一个。Kimi技术文档^[5]披露的关于code和智能体的能力是自研基准：Kimi Code Bench v2 、Kimi Claw 24/7 Bench。

6. MiniMax M3（稀宇）

定位”首个融合前沿编码 Agent + 1M 上下文 + 原生多模态”的开源权重模型。

7. 混元Hy3（腾讯）

Hy3^[6] 基于 preview 版本进一步提升了后训练数据的质量和多样性，扩大了 RL 算力规模，在推理、智能体、长上下文等任务上显著进步

8. LongCat2.0（美团）

LongCat^[7]是在国产算力集群上完成全流程训练与推理的万亿参数模型。

9. Step 3.7 （阶跃星辰）

10. Seed2.1（豆包）

选择模型，可以参考：

1、关注 Agent“生产力指标”而非“刷榜指标

2、成本与性能的平衡。

引用链接

[1] GLM5:https://z.ai/blog/glm-5.2[2] Qwen3.7:https://qwen.ai/blog?id=qwen3.7[3]DeepSeek:https://arxiv.org/pdf/2606.19348[4]MiMo-V2-Pro:https://mimo.xiaomi.com/mimo-v2-5-pro/[5]Kimi技术文档:https://www.kimi.com/zh-cn/resources/kimi-k2-7-code[6]Hy3:https://hunyuan.tencent.com/research/hy3[7]LongCat:https://longcat.chat/blog/longcat-2.0/