SuperCLUE 11月榜单：Kimi K3.1 Pro国内第一

又一份大模型榜单出炉，这次的焦点落在了国产模型身上。SuperCLUE在2026年11月5日放出11月通用大模型测评榜单，19个国内外模型参评。榜单总分第一属于闭源模型Gemini-4-Argon，73.62分；GPT-6.1-Sol以71.76分紧随其后。而在国内模型里，Kimi-K3.1-Pro以61.46分位列首位，同时也是参评开源模型中的最高分。榜单发布后，Kimi K3.1 Pro的名字再次出现在了“国内第一”的位置上。

要理解这份榜单，先要看它是怎么测的。SuperCLUE的测评集包括智能体编程、数理推理、超长上下文、精确指令遵循、幻觉控制五大任务，覆盖了大模型从写代码、做数学题，到处理超长文本、按要求办事、不胡说八道等多个维度的能力。更关键的是测评方式：每月使用非公开的新测试集。这意味着参评模型没法靠提前刷题来准备，测的是真实能力，而不是应试技巧。每月更新测试集的做法，也让这份榜单的月度变化有了可比性，模型是进步还是退步，隔一个月就能看出来。

总分榜上，Gemini-4-Argon和GPT-6.1-Sol这两款闭源模型占据了前两位，73.62分和71.76分的差距不到两分。按照榜单的说明，相差1分以内算并列，榜单仅作标准化跑分参考。这两款模型之间的差距本身并不大，真正值得注意的是它们与身后模型的距离：Kimi-K3.1-Pro的61.46分与第二名之间相差超过10分，这说明在总分这个维度上，闭源头部模型与开源模型之间仍然存在一道明显的鸿沟。Kimi K3.1 Pro虽然是国内第一、开源第一，但距离榜单的顶端还有一段路要走。

分项成绩把这道鸿沟描绘得更加具体。在幻觉控制这一项上，Gemini拿到了83.19分，Kimi是67.78分，差距超过15分。幻觉控制测的是模型“不胡说八道”的能力，分差这么大，说明在事实准确性这个维度上，头部闭源模型仍然领先不少。在精确指令遵循上，Gemini与GPT-6.1-Sol并列68.97分，Kimi是44.83分，分差超过24分，是分项里差距最大的一项。精确指令遵循测的是模型能不能按用户的要求办事，要求越细、越复杂，越能看出差距。相比之下，超长上下文这一项的差距最小：Gemini 95.63分，Kimi 87.25分，只差8分多，说明在处理超长文本这个维度上，Kimi与头部模型的距离相对更近。

榜单公布的同一天，月之暗面还放出了另一个消息：11月5日，Kimi K3.1 Pro的模型权重在Hugging Face上开放。这意味着任何人都可以下载这个模型的权重，自己部署、自己研究。开放权重的模型，参数规模是2.8万亿，原生支持视觉理解，具备百万token上下文窗口。2.8万亿这个数字放在开源模型里相当可观，百万token上下文则对应着它在超长上下文分项上接近头部的表现。榜单成绩和权重开放同一天出现，等于同时给出了两张牌：一张是跑分，证明能力；一张是开放，邀请所有人来验证。

Kimi K3.1 Pro最近的动向不只这一件。它先是登顶了Agent Arena开放模型榜，随后又接连登陆微软Foundry与亚马逊Bedrock两大云平台。登上Agent Arena榜单，意味着它在智能体任务上的能力得到了第三方竞技场的认可；登陆微软和亚马逊的云平台，则意味着开发者可以直接在主流云服务上调用它，不用自己搭建部署环境。榜单、竞技场、云平台，三件事接连发生，构成了一条从“测得好”到“用得上”的链条。对一款开源模型来说，能进主流云平台的目录，比多拿几分更有实际意义。

当然，榜单终究只是榜单。SuperCLUE自己也在说明里提醒，相差1分以内算并列，榜单仅作标准化跑分参考。跑分测的是模型在标准测试集上的表现，而真实使用中的体验，还要看模型在具体任务上的稳定性、响应速度、成本，以及与工具和业务系统的配合程度。Kimi K3.1 Pro这次拿下国内第一、开源最高分，值得肯定，但分项上与头部模型的差距也真实存在。接下来的看点在于，这些分差会不会在后续的版本迭代中缩小，以及开源模型能不能把榜单上的成绩，转化为更多人愿意实际使用的产品。

来源：SuperCLUE（2026-11-05发布）

本文为作者原创，未经授权禁止转载。转载请保留原文链接并注明出处。