五大任务权重：编程被提到 30%
11 月 4 日，SuperCLUE 发布 2026 年 11 月中文通用大模型测评，共有 19 个国内外模型参评。本轮把智能体编程的权重提到 30%，数理推理 24%，幻觉控制与精确指令遵循各 18%，超长上下文 10%。权重向编程智能体倾斜，说明评测方认为：模型能不能当真的编程搭子、在长流程里把任务跑完，比单纯刷题更能反映实用差距。其余四项分别压住可靠性、规范遵循与长文本稳定性，整体是一张偏实干的考卷。
总榜：Gemini 领跑，国内 Kimi 居首
SuperCLUE 2026 年 11 月中文通用榜 Top5
总榜上，Gemini-4-Argon 以 73.62 分领跑；Kimi-K3.1-Pro 以 61.46 分居国内榜首，DeepSeek-V4.1-Flash-1017 以 58.95 分列国内第二，两者相差 2.51 分；GLM-5.3（50.66）国内第三，GLM-5.3-Flash（47.18）第四。中游一批模型分数贴得很近：Qwen3.8-Max-0902（43.22）、Darwin-180B-RSI-R3（43.08）、Hy4-Preview（42.96）、Doubao-Seed-2.1-Pro-260915（42.06）几乎挤在一起。格局是国内头部领先、中游密集竞争，多款模型分差极小，竞争白热化。
编程能力：头尾差距超过 20 分
智能体编程榜，GPT-6.1-Sol 以 69.23 分领跑，DeepSeek-V4.1-Flash-1017 与 Gemini-4-Argon 同获 65.38 并列第二，其中 DeepSeek 居国内榜首；Kimi-K3.1-Pro 以 57.69 居国内第二，GLM-5.3 以 53.85 国内第三。19 款模型里 16 款低于 60 分，占比约 84.2%，梯队分化明显。更尖锐的是效率：GPT-6.1-Sol 用最少交互轮数（14.58）和最低单题 Token（30.89 万）拿下最高分；Step-5-Preview 单题 Token 高达 402.91 万，约为前者的 13 倍却只拿到 46.15 分——更多交互、更多消耗，并不等于更高得分。
长上下文与幻觉：Gemini 两项居首
超长上下文榜，Gemini-4-Argon 以 95.63 分居首，GPT-6.1-Sol（88.14）第二，Kimi-K3.1-Pro（87.25）国内榜首；精确指令遵循榜，GPT-6.1-Sol 与 Gemini-4-Argon 同获 68.97 并列居首，Kimi-K3.1-Pro（44.83）国内榜首；幻觉控制榜，Gemini-4-Argon 以 83.19 分居首，Kimi-K3.1-Pro（67.78）国内榜首，GPT-6.1-Sol（63.61）第三。整张榜看下来，Gemini-4-Argon 在长上下文与幻觉两项拉出明显身位，国产头部在指令遵循与幻觉控制上和顶尖模型仍有可见落差，需要重点补的是执行准确性与长文本稳定性。
韩国 Darwin 新晋上榜，开源阵营补位
本月亮眼的变化，是韩国开源模型 Darwin-180B-RSI-R3 新晋登上该榜，在数理推理榜以 73.68 分位列第二，仅次于 GPT-6.1-Sol（76.32），显示非中美阵营的基础模型也在往上走。它走开源部署路线（权重发布于 Hugging Face），本次不计入 API 价格与性价比统计。性价比维度上，DeepSeek-V4.1-Flash-1017 与 GLM-5.3-Flash 以较低 API 价格拿到较高推理质量，落在高性价比区；Kimi、Gemini、GPT、Grok、Qwen 等因 API 价格偏高，落入低性价比区。对采购方而言，这份榜的信号不只是谁分数高，更是谁在同样预算下真能把活干完。