这场中文考试给出的答案是：国产与海外模型的分差已经不在"听懂中文"，而在"写出来的稿子能不能直接用"。 11月11日，B站、抖音科技UP主"程序员阿江"发布实测视频，让32个AI模型同考一张中文卷。 完整榜单免费放在了他运营的评测站ModelDial上。 榜单格局扎眼：前8名全部是海外模型，国产成绩最好的通义Qwen3.8 Max排第9，与榜首Claude Fable 5.2相差约13分；常年被拿来开涮"垫底"的豆包，这次排到了第13。但把分数按维度拆开看，"理解"一侧两边平均几乎打平，海外阵营的领先几乎全部来自"成文表达"一侧。哔哩哔哩抖音ModelDial
这场考试怎么考的：私有题库、两大维度、八个分项
考题来自ModelDial的私有中文任务集，"私有"意味着题目不对外公开——公开题库里的题可能早已混进训练数据，被模型"背"下来针对性刷分，私有数据就是为了降低这种暴露。 评分分为两大维度：理解侧看语义与事实、意图与语境、指令与边界、材料综合与取舍；成文侧看中文表达、结构与推进、文体与场景适配、内容完成度。两项各占一半权重合成总分，各项按百分制打分。ModelDialModelDial
两点口径要先讲清。其一，ModelDial不是行业标准榜单，是这位UP主自建的评测站，排名只反映其私有题库范围内的结果。其二，视频里说32个AI考了这场中文试，ModelDial中文写作榜在11月11日晚更新了当前快照；截至采集，榜单共有33条成绩，其中DeepSeek V4.1 Flash留有新旧两个版本各一条记录，对应的正是32个模型，海外阵营19条、国产阵营14条。 另需注意，33条成绩里31条为复核结果，Gemini 4 Carbon、GPT-6.2 Astra各有一条采用估算或独立评审口径，读名次时别太较真。ModelDial
总榜格局：海外占前八，国产卡位在"直接能用"
榜首梯队是熟悉的名字：Claude Fable 5.2以93.8分居首，GPT-6.2 Astra（87.6）、Gemini 4 Carbon（87.1）、Claude Opus 5.5（86.2）随后，Meta的Muse Wonder以83.9挤进前五。
国产阵营的位置更有信息量：Qwen3.8 Max总分80.5，理解侧90.6超过榜单大部分头部模型，成文侧只有70.3；Doubao Seed 2.1 Pro总分77.1，理解83.5、成文70.6；Kimi K3.1 Pro 77.0、智谱GLM-5.3 Flash 76.1、DeepSeek V4.1 Flash（1017版）76.0、腾讯混元hy4-dev 74.6。国产旗舰集体卡在同一个位置：听得懂，但离"拿来即用"还有一段。UP主在置顶评论里说得直白：“这次咱豆姐上来了，在国产模型里靠前不沾鞋了”——豆包升到了国产前列，但海外头部的鞋还没碰到。哔哩哔哩
拆开看差距：网感打平，成文见高下
把14条国产成绩和19条海外成绩按分项分别取平均，差距的来源一目了然。
维度 | 国产均分 | 海外均分 | 差值 |
|---|---|---|---|
理解侧 | 77.1 | 76.6 | 国产略高 |
成文侧 | 69.4 | 77.8 | 海外+8.4 |
中文表达 | 61.6 | 72.0 | 海外+10.4 |
内容完成度 | 58.3 | 69.4 | 海外+11.1 |
文体与场景适配 | 72.2 | 80.4 | 海外+8.2 |
总分差距只有3.9分，而成文侧差了8.4分——国产与海外的分差不是全面落后，是集中输在"写"上：文风、场景感，尤其是"内容完成度"这项直接衡量稿子能不能直接用的分项。实测披露的几道题正是这类：写发言稿，有的模型把别的区的案例当成本区政绩，还编出一个95%的满意度。 还有的模型写完小说，在结尾给自己打勾"无AI腔"。抖音哔哩哔哩
最有意思的是全场最低分两边打平："语义与事实"一项，国产、海外均分同为66.7，双双是各自分项的底部。讽刺、话里话外和事实核对，是跨国界的通病。单项看，GPT-6 Astra与GPT-6.1 Sol只有33.3分，MiniMax M3.1 Flash直接0分，“你长本事了"这类阴阳话被当成夸人的，不止一家。B站评论区有句高赞热评跟数据严丝合缝：纯中文的文本能力前7名是海外模型，前10只有千问一个；另一条则吐槽GPT"不把定语写得很到位，他都不知道你在说什么”。哔哩哔哩
海外阵营内部也不是铁板一块：Gemini 4 Carbon语义与事实拿满分100，中文表达却只有74.2，被反复讨论的"翻译腔"在分数上坐实；GPT-6.2 Astra成文侧94.3全场第一、反超榜首的Fable 5.2，却因理解侧只有80.9被挤到第二。国产的强项同样具体：Kimi K3的材料综合与取舍拿到92.5，豆包的意图与语境91.7——整理材料和听懂弦外之音，恰好是日常办公里最常用的能力。
这张成绩单该怎么用
它是快照，不是定论。一个私有题库、八个维度，测的是"中文理解+中文成文"这一个切面；同一模型换思考档位分数会变，总分垫底的Claude Haiku 4.5（51.9）是轻量型号，代表不了海外旗舰；国产阵营里还有多个flash轻量版，均分被拉低——若只比各家旗舰，差距是第9名对第1名的13.3分。
对普通用户，这张表给出的可操作结论相当具体：用AI读懂资料、把握言外之意、做中文问答，国产旗舰在这场考试里已经追平头部；要一篇不用大改、符合你口吻的终稿，比如发言稿、文案、公文，目前海外旗舰更稳；想让AI准确接住反话、核对事实，谁都别指望——"语义与事实"这一项，两边都在裸奔。
