中文大模型能力测试：二十项专业领域实测
中文大模型的能力评估远不止 C-Eval 和 CMMLU。2026 年，真实场景对模型提出了更专业、更细化的要求。本文选取 20 个中文专业领域，从法律到医学、从金融到古籍，对 8 款主流大模型进行全面实测，揭示各模型在中文垂直领域的真实能力画像。 一、评测设计 参评模型 模型 类型 版本 GPT-5.5 闭源 2026-03 Claude Opus 4.1 闭源 2026-04 Gemini 4.0 闭源 Alpha DeepSeek V4 开源 671B Qwen3.5-72B 开源 2026-05 GLM-5-Plus 开源 130B Llama 4 Maverick 开源 400B MoE Mistral Large 3 开源 123B 评测领域 法律、医学、金融、会计、税务、药学、中医、中国历史、中国文学、哲学、教育学、心理学、社会学、新闻传播、计算机科学、电子工程、机械工程、化学、生物、环境科学 每个领域 100 道专业题（含选择题、简答题、案例分析题），共 2000 题。 二、综合排行 排名 模型 综合准确率 选择题 简答题 案例分析 1 GPT-5.5 87.3% 91.2% 85.7% 83.5% 2 DeepSeek V4 86.1% 89.5% 84.8% 82.3% 3 Qwen3.5-72B 84.7% 88.3% 83.1% 80.8% 4 Claude Opus 4.1 83.2% 87.5% 81.8% 78.6% 5 GLM-5-Plus 82.5% 86.7% 81.2% 77.5% 6 Gemini 4.0 80.8% 85.1% 79.5% 75.3% 7 Llama 4 Maverick 75.3% 80.2% 73.5% 69.8% 8 Mistral Large 3 72.1% 77.5% 70.3% 65.7% 关键发现：DeepSeek V4 在中文专业领域已逼近 GPT-5.5，差距仅 1.2 分。Claude Opus 4.1 虽然在英文领域是顶级，但中文专业能力排第四。 ...