32款主流大模型考同一场"中文试"，结果是中文能力没有全能冠军。 听得懂阴阳怪气、写得出能直接用的稿子、去得掉满纸"AI味"，这三件事分散在不同的模型身上。11月11日，B站UP主"程序员阿江-Relakkes"发布了这场32个AI中文考试的实测视频，完整成绩榜免费放在了自建评测网站ModelDial上。哔哩哔哩
考试不考古诗，考的是能不能上岗干活
试卷的评分口径就两句话：听不听得懂中国话，写出来能不能直接用。哔哩哔哩
翻车也全在真实场景里：反话题上，有模型把"你长本事了"当成夸人；写发言稿，有模型把别的区的案例当成本区政绩，还编了个95%的满意度。 反话、发言稿、小说结尾的AI腔，这三类失分现场分别对应日常沟通、工作文书和创作改写——恰好是普通人用AI最高频的三类任务。哔哩哔哩
豆包这次还垫底吗
这是视频标题里埋着的问题——“豆包终于不垫底了吗”，此前它在这套中文榜上基本排在末尾。UP主自己在置顶评论里给的答案是：这一场豆包上来了，在国产模型里排名靠前。 评论区也有观众对照完整榜单感叹，纯中文文本能力前7名被海外模型占着、前10里国产只剩千问一个——单条读榜说法不是定论，具体名次以ModelDial实时页面为准，但争议确实存在：国产模型与海外模型的中文差距，已经不是单方面压制。哔哩哔哩
不同场景，选法不同
日常沟通，先听它会不会接话。 反语、互联网梗是实测里反复出现的失分点，平时说话绕弯子多的用户，选型先重点看榜单里语义辨析这一项。
工作文书，先看它会不会编数。 发言稿里那个95%的满意度就是典型幻觉：这类任务宁可辞藻平一点，也要选事实约束紧的模型。不管用哪家，成稿前都该过一遍——稿子里的每个数字、每个案例，最好都能落到真实出处。
创作写文，先决定要文风还是要叙事。 评论区有长期写小说的用户总结，有的模型文风好但叙事弱，有的正相反。更要提防考试里出现的新毛病：有模型写完小说，在结尾给自己打勾"无AI腔"。 遇到这种自评，直接当没有——开头结尾两段自己拿去对比，比看它给自己打分可靠。哔哩哔哩
这份榜单，该怎么用
自己搭一张中文卷子把模型拉进考场，不是孤例。知乎上就有博主出了20道全部唯一确定、没有争议答案的中文题，贴出各模型原始答案让读者自己当阅卷老师。 也正因这类榜单题目不公开、口径由个人制定，用它们的关键不是"定榜"，而是把32个AI的成绩榜当一份翻车点清单：哪类任务、哪类模型最容易出事。知乎
选型文章里说得很直接：榜单分数、参数规模、发布会演示，都不等于模型在自己的业务场景里的真实表现。 小红书一篇讲评测判分机制的科普，结论说得更直白：分数看看就好，别被宣传统计学唬住。知乎小红书
下次再看到"AI中文能力榜"，值得先问一句它考什么。 考知识，容易背题刷分；考的是反话、发言稿、AI腔这些工位上的真活，分数才值得拿去和你的常用模型对一遍。
