SuperCLUE

SuperCLUE 是面向中文大模型的测评基准，官方提供通用能力总榜以及数学推理、幻觉控制、科学推理、精确指令遵循、智能体编程、智能体任务规划等分项榜单，同时给出模型价格与 Agentic 任务规划的 Token 消耗数据。官方说明为减少分数波动，差距在一分以内的模型按并列处理，国际模型与部分国内模型不参与排名、仅作参考。

核心能力

• 通用能力总榜：官方按总分对模型排序，并展示开放或闭源、接入方式、是否推理模型与评测日期等字段。
• 分项能力榜：官方分别给出数学推理、幻觉控制、科学推理、精确指令遵循、智能体编程与智能体任务规划等维度得分。
• 模型价格信息：官方提供 Model Pricing 板块，便于把能力得分与调用成本放在一起比较。
• Token 消耗数据：官方以 Agentic 任务规划每任务平均 Token 数呈现模型完成同类任务的消耗差异。
• 区域与接入方式筛选：官方支持按开放或闭源、接入方式筛选，帮助用户按可获取性查看结果。
• 榜单图表下载：官方称榜单结果支持下载图片，方便在汇报与材料中引用。

适合谁

• 企业选型负责人：把能力得分与价格放在一起看，避免只看单一榜单排名做决策。
• 算法工程师：用分项榜单定位模型在幻觉控制或指令遵循上的短板，决定是否需要微调。
• 产品经理：按业务场景挑选对应维度表现更好的模型，例如重推理还是重指令遵循。
• 研究或媒体从业者：引用可追溯的评测口径与评测日期，避免使用无来源的排名。
• 关注推理成本的团队：参考 Token 消耗数据估算智能体类应用的调用成本。

使用建议

• 先确认评测日期与模型版本，榜单排名会随模型更新频繁变动，用旧数据做结论容易误导。
• 把榜单当筛选工具而不是结论，选型前一定要用自有业务数据做小规模实测。
• 注意并列处理的规则，分差很小的模型不应被当作能力上有明显差距。
• 分项榜单要按业务权重看，客服场景更关心幻觉控制，代码场景更关心编程与指令遵循。
• 引用数据时保留评测方名称与时间，避免二次传播中丢失口径导致误读。此外，这类偏基础设施与社区型的工具，价值往往在使用一段时间后才显现：早期多花点时间熟悉它的数据结构和接口约定，后续接入自有工作流的成本会明显下降。