SuperCLUE（中文大模型测评基准）

一句话定位：国内影响力最大的第三方中文大模型综合测评体系（CLUE 组织出品）——月度发布中文通用模型综合榜，题库每两个月 100% 替换且全部原创防污染，另有一大族中文专项子基准（法律/金融/医疗/软件工程/长文本/安全……）。

为什么值得关注

中文向补位：本系列前九个评测集全是英文向，中文能力（指令遵循、中文幻觉、中文场景 SWE）只能靠这类本土基准衡量
三条立身主张：①”Live”更新零污染——题库定期（每两个月）100% 替换、全部原创；②测评方式与真实用户交互一致，任务贴近落地场景；③独立第三方、不研发自家模型
月度节奏 + 快速跟进新形态：除通用榜外还有智能体产品榜（XClaw 龙虾产品测评）、图像编辑榜等专项，跟进行业热点快
被国内主流媒体广泛引用（千问/DeepSeek/豆包每次发版几乎都有 SuperCLUE 数字）

2026-07 版六维加权（本期升级：传统代码生成→智能体编程）：

月度榜单见 superclue（2026-07 期：Qwen3.8-Max 71.48 登顶、Kimi K3 70.68 第二；另含 XClaw 智能体产品榜与图像编辑榜快照）。

通用/推理：SuperCLUE-Hard（困难版）、-Reasoning（高阶推理）、-CoT（链式推理）、-Science（科学推理）、MathCLUE/Math24o/Math6o（高中奥数）
工程/代码：SuperCLUE-SWE（中文软件工程，含 Claude Code 中文场景）、-WebCoding（Web 开发）、-Code3（等级化代码）
领域：-Law（法律）、-Fin（金融）、-MedAssist（医疗助手）、-Auto（汽车）、-ICabin（智能座舱）、-Industry（工业）、-Mkt/-AdsVU（广告营销/视频理解）
能力专项：-LongContext/-Long/-200K（长文本/超长上下文）、-RAG、-Agent、-CPIF（精准指令遵循）、-Faith/-Fact（忠实性/事实性幻觉）、-Safety/-DSPSafeBench（安全/对抗）、-TTS、-OnDevice（端侧）、-AISearch、-Role（角色扮演）、-Writing（创意写作）
产品测评线：XClaw 龙虾产品测评（智能体产品：文心助手 97.62 居首）、中文原生图像编辑测评（2026-03：GPT-Image-1.5 总榜第一 87.03、腾讯混元国内第一 83.00）

分数是 0-100 加权综合分，机构自有口径，与英文基准分数不可比、也不与自家历史版本跨期硬比（维度权重会调，如 2026-07 智能体编程升至 25%）
题库不公开：原创题+定期全换是防污染卖点，但外部无法审计题目与判分细节；无论文，方法论透明度低于学术基准
参测以国产模型为主：海外模型覆盖有限，定位是”中文场景国产模型横评”而非全球榜
厂商发布会引用频繁，但注意期数与维度版本（同模型不同期分数差异可能来自题库更换或权重调整）