32个AI一起考中文，考题只有两门：听不听得懂中国话，写出来的东西能不能直接用。11月11日，B站科技UP主“程序员阿江-Relakkes”发布了这场实测，32个主流大模型同卷作答，完整榜单免费放在他自建的ModelDial网站上。截至11月12日，视频播放量超过1.4万。跑出来的结果和热榜标题说的是同一件事：榜单综合分高，不等于中文日常好用；而栽下来的模型，几乎都栽在普通人天天会碰到的场景里。
三个翻车场景，全是日常任务
UP主披露的三类失误，比名次更有信息量。一是阴阳话理解：有模型把“你长本事了”当成夸人，接不住中文里的反话。二是公文写作：有模型写区级发言稿时，把别的区的案例安成本区政绩，还顺手编出一个95%的满意度数字。 三是创意写作：有模型写完小说，在结尾给自己打上“无AI腔”的对勾，自检结论与正文质量对不上。哔哩哔哩
榜单口径要分开看
关于名次，UP主在评论区自评：这次豆包从垫底位置“上来了，在国产模型里靠前不沾鞋”。有翻查榜单的网友评论称，纯中文文本能力前7名都是海外模型，前10里唯一国产是千问。需要注意，这些说法来自评论区讨论，具体名次和评分细则以视频与ModelDial页面为准。
更权威的参照是SuperCLUE。11月5日媒体报道的SuperCLUE 2026年11月通用大模型测评中，19个国内外模型参与智能体编程、数理推理、超长上下文、精确指令遵循、幻觉控制五大任务，Gemini-4-Argon以73.62分拿下总榜第一，GPT-6.1-Sol以71.76分次之；国内模型中Kimi-K3.1-Pro得分61.46居首位，DeepSeek-V4.1-Flash、GLM-5.3紧随其后，豆包Seed-2.1-Pro得分42.06并列第6。 但它和ModelDial中文考试口径不同：前者测通用任务，后者测日常中文听说读写，两张榜单不能直接互相换算，方向却一致——中文场景的头部位置，国产模型还需要再往上走。网易
为什么跑分不等于好用
公开榜单多为“出题—作答—对标准答案”的给分制，考的是会不会做对；中文考试考的恰是题库不覆盖的东西：语气、语体、事实性和自述诚实度。敢面不改色编出95%满意度的模型，知识分未必低，因为选择题不会问“你敢不敢编数”。 同一位UP主11月10日的另一条视频是佐证：Claude Fable 5.2在其私有题库拿下94分，标题却是“但我真用不起了”——能力分、好用程度、成本，本来就是三条线。 连做私有题库汇总的作者也提醒，“不能把分数直接理解为模型在所有实际任务中的成功率”。微博哔哩哔哩知乎
用户该怎么办
也要交代这场考试的边界：它是个人向实测，视频标注了“个人观点，仅供参考”，不是标准化认证榜单。但对日常写周报、改文案、陪聊创作的用户，它给出的三个信号值得直接拿去用——发一句阴阳话，看AI能不能听懂；让它写带数字的稿子，看它会不会编案例、编满意度；把常用的一段话丢给它润色，读一读能不能一字不改直接交出去。选模型时不必纠结谁跑分第一，拿自己工作流里的真实任务当考题，才是给AI做“中文测试”的正确方式。
