当前，中国大模型领域正上演一场独特的“第一”争夺战。几乎每家头部企业都宣称自家模型是“中国第一”甚至“全球前三”，这种热闹景象背后，实则是各家精心挑选定语的结果。参数最大、单项基准领先、盲测榜夺冠……不同的定语下，每个“第一”似乎都站得住脚，却又难以形成统一认知，如同智能手机时代厂商们纷纷标榜“跑分第一”“拍照第一”，新能源汽车领域则充斥着“续航第一”“智驾第一”等说法。
与中国的热闹景象不同，美国大模型行业已形成相对公认的格局。不同阶段，OpenAI、Anthropic的Claude、Google的Gemini等轮流领跑。2026年年中，共识是Anthropic重新占据优势，其Claude Fable 5在Artificial Analysis智能指数上以约60分位居榜首，GPT - 5.6 Sol以约59分紧随其后。这一共识由第三方评测机构、开发者社区和真实使用数据共同塑造，无需依赖企业发布会。
中国未能形成类似共识，并非没有答案，而是被公关宣传的声浪掩盖。为探寻事实真相，我们主要借助三类权威第三方验证数据——Arena全球盲测、Artificial Analysis智能指数与SuperCLUE中文测评进行交叉分析。
Artificial Analysis（AA）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、知识等多维度标准化测试，全球189款模型同台竞技，测试口径统一且不收取厂商费用，是目前最接近“客观”的第三方标尺。截至2026年8月初，中国主要模型成绩如下：月之暗面Kimi K3（Max）得57分，在189款模型中排第四，是开源权重模型历史最高排名，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；智谱GLM - 5.2（Max）得51分，排名十名开外；深度求索DeepSeek V4 Flash 0731得50分，与谷歌Gemini 3.6 Flash持平；阿里Qwen3.8 - Max暂无成绩，其上一代Qwen3.7 - Max验证成绩为56.6分。这表明中国最强模型已接近全球第一梯队，且“官方最强”与“验证最强”存在差异。
Arena（arena.ai）采用人类盲测机制，两个匿名模型回答同一问题，用户投票，数百万张投票换算成ELO积分，衡量的是“真人觉得谁更好用”。2026年8月第33周榜单显示，综合榜中Anthropic的Claude系列包揽前五，国产模型里Qwen3.8 - Max排第8（ELO 1491），Kimi K3 Max排第12（1489），是仅有的两家进入前十五的中国模型，二者分差仅2分，在误差范围内基本并列，但Qwen3.8 - Max位置更靠前。代码榜中，Kimi K3 Max排第6（1544分），是排名最高的国产代码模型，Qwen3.8 - Max排第13，小米Mimo排第25。前端开发榜上，Kimi K3 Max以1674分排第2，仅落后榜首的Claude Opus 5 Max（1692分）18分，Qwen3.8 - Max排第3（1667分），智谱GLM - 5.2 - Max排第9，DeepSeek V4 Pro新入榜即排第10，一个月前Kimi K3刚发布时曾以1679分短暂登顶该榜单。智能体榜中，Kimi K3 Max以10.60%的净提升度排第5，与Claude Opus系列同处全球第一梯队，Qwen3.8 Max新入榜排第11，GLM 5.2 Max排第14，DeepSeek V4 Flash排第19。综合来看，Kimi K3 Max覆盖面广、位置高，Qwen3.8 - Max综合榜位置高但在代码、智能体实战榜单上落后。
SuperCLUE是中文场景下极具公信力的第三方基准之一。2026年7月榜单上，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，第一和第二分差小但顺序明确，Qwen3.8 - Max在中文综合能力上排第一，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第三，是“五强”中唯一未参加Arena国际盲测的模型，能力在国内榜单可见，国际坐标系里缺失；DeepSeek排在第四，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，智谱是典型的“偏科生”，单项编程全球第一，综合能力却排不进国内前四。
2026年夏天，五家大模型在六周内密集发布前沿模型。6月中旬智谱GLM - 5.2发布，7月16日Kimi K3发布，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发布，8月3日Qwen3.8 - Max正式版发布。此时出现三个事实：百万token上下文成旗舰标配，五家全部支持；2万亿参数级模型全部选择开源（MIT协议），这是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，输出价格差50倍，Kimi K3输出定价100元/百万token，是DeepSeek V4 Flash的50倍，这是商业模式的选择，Kimi K3用高价格匹配强推理密度，DeepSeek用低价换取Agent高频调用市场。
综合三条证据链，2026年8月中国大模型五强格局逐渐清晰。月之暗面Kimi K3是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，是人类历史上参数规模最大的开源模型，也是全球第一个原生支持文本、图像、音频、视频四模态的万亿级开源模型。其第三方成绩单完整，AA智能指数57分（开源史上最高、全球第4、超过Claude Opus 4.8），Arena前端第2、代码第6、智能体第5，SuperCLUE中文第二，第三方评测机构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，短板是价格高。阿里Qwen3.8 - Max是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，是SuperCLUE中文综合第一、Arena综合榜国产最高（第8），但国际验证成绩单空白，AA智能指数未评测，官方基准全部来自阿里自己，其真正护城河在于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是推理与性价比之王，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，引发硅谷震动，此后节奏变慢，2026年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%是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%，是Agent高频调用场景的默认选项，但AA智能指数是50分，综合排名已被Kimi K3和Qwen3.8 - Max甩开。智谱GLM - 5.2是编程特长生，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1，SuperCLUE编程专项断层领先，但综合能力（AA 51分、Arena智能体第14）与第一梯队有明显差距，独立横评中推理任务表现曾翻车。字节豆包2.1 - Pro是用户规模第一，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国内最大的AI用户盘子，字节内部正在推进五万亿参数超大模型的前期论证，但它缺席Arena国际盲测，AA指数也查无此模型。
中国大模型“人人第一”乱象的背后，是各家选择对自己最有利的坐标系。阿里说“盲测仅次于Claude”，用的是Arena综合榜；月之暗面说“全球最强开源”，用的是参数规模和AA指数；智谱说“全球第一”，用的是Code Arena；DeepSeek说“SWE - bench 80.6%”，用的是单一标准化基准；字节说“金牌、全球领先”，用的是竞赛成绩和自建基准。美国行业虽也存在营销，但被Artificial Analysis、Arena等成熟第三方评测机构以及开发者社区的舆论场压制。在中国，评测基础设施正在补齐，但公关宣传音量仍大于榜单音量。判断“第一”宣称时，可先问三个问题：这个第一是在哪个坐标系里？这个坐标系是谁定义的？同一坐标系里排第二第三的是谁？
中国第一与世界第一的差距目前是3分（AA指数57对60），但背后差距比看起来大。Kimi K3超过的是Claude Opus 4.8，面对的Claude Fable 5、GPT - 5.6 Sol等仍在快速迭代，Arena第33周榜单上综合榜前五名全部是Anthropic的模型，集中度体现差距。不过，中国模型从“落后一个身位”到“3分之差”只用了一年半，2025年初DeepSeek R1让全球正视中国模型，2026年年中Kimi K3成为全球前五中唯一的非美国模型且开源，在开源半场格局已反转，全球最强开源权重模型、下载量最大开源家族、生态最活跃开源社区都在中国。这场追赶背后，算力是重要变量，GLM - 5.2基于华为昇腾训练，是首个在国际榜单登顶的国产芯片训练模型，DeepSeek从V3开始以“单位算力产出最大化”为第一原则，Kimi K3和Qwen3.8 - Max的万亿级训练也完成于国产算力占比持续提升的集群之上，在美国对高端GPU出口收紧背景下，中国大模型进步是在算力约束下取得的效率创新产物。商业模式与生态差距也常被忽略，Anthropic与OpenAI的领先不仅是模型分数，还有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。按当下第三方验证，中国最强大模型是Kimi K3；按中文综合与产业生态，是Qwen3.8 - Max，而三个月后答案可能改变，Qwen3.8 - Max的AA评测、DeepSeek的下一代、字节的五万亿参数模型与智谱的下一版模型都在路上，能被全球第三方榜单反复验证的名字才是当下真正的第一。
