中美 AI 模型真实差距到底有多远从 517 个发布版本到 112 次 API 实测序章中美 AI 模型对比系列 · 序章。本文先从文本模型建立比较口径后续再分别讨论编程与 Agent、图像、视频、语音、向量检索与重排。本文结论不能直接外推到其他模态。截至 2026 年 10 月 29 日的这份样本中美国模型在当前前沿分数和头部阵容上领先但用同一把 Progress Index 标尺回溯差距并非一路扩大。以 Opus 4.8 的 Progress 分数作参考样本里有 12 个中国发布版本、21 个美国发布版本超过它这不等于它们在所有任务上都更好用。本文由 Crazyrouter 团队根据既有研究改写排行榜数据来自 Artificial AnalysisAAAPI 调用通过 Crazyrouter 完成。数据截点固定为2026-10-29本篇没有新增模型调用。完整研究文章和数据口径可从中美 AI 模型差距研究页继续查看。先看结论前沿差距、选择数量和实际体验是三个指标讨论“中美模型差距”时至少要拆开三个问题前沿差距两组当前最高分相差多少选择差距达到某个参考门槛的发布版本分别有多少交付差距一次真实 API 请求是否按时返回正确、可直接使用的结果三者会相关但不能互相代替。一个国家有一款顶尖模型不代表它的头部模型数量相同一个版本分数超过参考线也不代表它在你的任务、格式和服务路径上稳定可用。2026-10-29 快照指标中国美国Intelligence Index v5 最高分Kimi K3.1 Pro46.0Gemini 4 Carbon59.4Intelligence Index v5 前五名均分34.7456.68Intelligence Index v5 全球前十席次19Intelligence Index v5 全球前二十席次614Progress Index v1 最高分340.70351.65这张表给出的结论很直接**美国在这一截点的前沿和头部厚度都占优。**但它不能独自回答差距有没有扩大也不能告诉我们普通工作流是否同样感受到差距。数据怎么合并716 条配置为什么只算 517 个版本AA 返回的数据包含多个推理配置。同一发布版本可能有high、max、xhigh等配置如果直接按配置行数统计会把一个版本重复算成多个模型。本次抓取得到716 条配置用 AA 的release.id合并后得到517 个发布版本中国 176 个、美国 257 个其他国家或未分类 84 个。国家归属沿用 AA 对研发机构的标注不根据服务器位置或研究人员国籍重新推断。核心处理逻辑如下。代码展示的是本研究的归并规则输入需是同一快照中已关联好的配置记录不包含抓取 API、认证或文件解析过程。fromcollectionsimportdefaultdictdefmerge_release_configs(configs,cutoff2026-10-29):groupsdefaultdict(list)forrowinconfigs:daterow.get(release_date)ifdateanddatecutoff:groups[row[release_id]].append(row)releases[]forrelease_id,variantsingroups.items():countries{row[country]forrowinvariants}assertlen(countries)1# 同一 release 不应跨国家标签result{release_id:release_id,release_name:variants[0][release_name],country:variants[0][country],release_date:min(row[release_date]forrowinvariants),deprecated:all(row[deprecated]forrowinvariants),}formetricin(progress,intelligence):valid[rowforrowinvariantsifrow.get(metric)isnotNoneandnot(metricintelligenceandrow.get(estimated))]result[metric]max((row[metric]forrowinvalid),defaultNone)releases.append(result)returnreleases每项指标各自取该版本可用配置中的最高分因此 Progress 与 Intelligence 的最高配置不一定是同一个。Intelligence 的估算值不纳入总分比较缺测保持为None不会被填成 0。以上聚合规则也意味着统计单位是发布版本不是厂商数、API 路由数或可调用模型数。现在差多少两套指数不能混成一张榜Intelligence Index v5 是当前评测集的成绩。本次快照中39 个发布版本有可用总分中国 12 个、美国 24 个、其他组 3 个。其余发布版本没有可用 v5 总分所以不参与这一榜单。Progress Index v1 在本文中用于观察不同发布时间模型的拟合分数并回溯前沿变化。当前 v5 的两国最高分差是13.4 分Progress v1 的当前前沿差是10.94 分。它们来自不同指数不能互减、混排也不能换算成“能力差了百分之多少”。AA 于2026-10-27将 Intelligence Index 更新至 v5评测版本发生变化。因此跨版本榜单的分数差也不能直接解释成模型在两天内突然退步或进步。差距是在越拉越大吗看同一标尺下的回溯为回答趋势问题我们用同一次快照中的 Progress Index v1 分数按发布日重建各日期的两组前沿在该日期或之前已发布版本中的最高分。然后计算“美国前沿分 − 中国前沿分”。数据来源Artificial Analysis 趋势数据取数截点为 2026-10-29。该图是用当前拟合分数做的历史回溯不是过去每日保存的实时榜单。回溯日期分差美国减中国2026-08-3111.072026-09-3027.612026-10-2310.572026-10-2910.949 月美国新旗舰集中发布月底分差扩大到 27.6110 月 23 日 Kimi K3.1 Pro 发布后差距收窄到 10.5710 月 28 日 Gemini 4 Carbon 发布后10 月 29 日快照的差值是 10.94。因此这份快照支持的说法是**美国仍领先但前沿分差随着重要版本发布而波动不能概括成持续扩大。**这也不代表两组的头部阵容已经相同。前沿第一名追近与多个梯队的数量接近是不同问题。这里有两个限制Progress 是当前拟合后的历史回溯后续补测或重拟合可能改变历史分数我们也没有完整复原每个历史版本当时是否开放 API。模型发布日期不等于当时用户已经能调用。Opus 4.8 作为参考线有多少发布版本超过“达到 Opus 4.8 就算可用”适合作为一个个人化的参考问题但不是跨任务、跨用户通用的可用性定义。先要确认参考线用哪套分数Opus 4.8 发布时的61.4属于旧版 Intelligence Index在当前 v5 快照中 Opus 4.8 没有可用总分所以不能拿旧 61.4 筛选 v5。本文使用 Progress Index v1 中 Opus 4.8max的318.376758998036作为参考值。比较保留完整精度只有严格大于才计作超过。来源Artificial Analysis数据截点 2026-10-29。图中 deprecated 是 AA 的版本标记不代表独立验证过 API 是否仍可用。参考条件中国发布版本美国发布版本严格超过 Opus 4.8含历史版本1221其中未被 AA 标记 deprecated913高于参考值至少 5 个 Progress 分数含历史版本317中国组超过参考线的 12 个发布版本为Kimi K3.1 Pro、DeepSeek V4.1 Flash 1017、Qwen3.8 Max (0902)、GLM-5.3、Ling 3.1 Flash 1019、MiMo-V2.6-Pro、DeepSeek V4.1 Flash、Qwen3.8-Flash-Next、Ling 3.1 Flash、Kimi K3、Qwen3.8 Max、GLM-5.3-Flash。这里统计的是发布版本包括历史版本12 个版本不等于当前有 12 个可直接购买或调用的 API。例如 DeepSeek V4.1 Flash、Kimi K3、Qwen3.8 Max 在该快照里已被 AA 标记 deprecated。未标记 deprecated 也不自动证明某个服务商当前可用。GLM-5.3-Flash 只比参考线高约 0.27 分。当前材料没有足够的置信区间来说明这 0.27 分代表显著差别“再高 5 分”的行仅用于观察门槛敏感度不是统计显著性界限。所以这个门槛回答的是“AA 样本里有多少发布版本的 Progress 分数高于某个参考值”不是“哪些模型在所有真实工作流中都达到可用标准”。榜单与体感为什么会不一致看一次具体的格式失败本次 API 审计中Opus 4.8 在订单提取题里识别对了字段和值但在 JSON 外面包了一层 Markdown 代码围栏。人在聊天窗口里看结果基本可读程序如果要求响应必须是纯 JSON就会解析失败。对使用者而言格式是体验的一部分对基础模型能力研究而言这个失败又不能简单等同于“模型不会提取订单”。API 测试设计我们选了 7 款模型、8 种任务每个“模型 × 任务”组合请求两次共112 次调用。任务分成两组日常任务 5 种订单提取与去重、冲突记录与未知信息、中文格式约束、长记录定位、退款规则。压力任务 3 种环形约束计数、依赖排程最优化、组合选择最优化。通过同一测试入口请求配置为reasoning_efforthigh、max_tokens8192、streamfalse不使用工具、不设置 temperature随机顺序最多 4 并发读取超时 180 秒。不重试失败请求不从结果中挑选成功样本补位。本次调用使用 Crazyrouter 的 Chat Completions 兼容端点。下面只展示实际请求结构为避免把示例误认为完整复现省略了原始任务提示词。POST https://cn.crazyrouter.com/v1/chat/completions Authorization: Bearer ${CRAZYROUTER_API_KEY} Content-Type: application/json{model:claude-opus-4-8,messages:[{role:user,content:本次任务提示词正文未公开}],reasoning_effort:high,max_tokens:8192,stream:false}严格通过需要同时满足HTTP 请求成功、模型正常结束、答案正确、格式符合题目要求。相同的high参数名不保证不同模型获得相同的内部计算预算也不等同 AA 对每个模型的最高推理档位。严格评分结果请求模型日常通过10压力通过6总通过16claude-opus-4-8404claude-opus-5-57411gpt-6.1-sol909kimi-k3.1-pro628qwen3.8-max707deepseek-v4.1-flash909glm-5.3101这不是模型总榜题目只有 8 种每种重复 2 次样本是为任务对比而选不构成中美模型随机抽样也没有真人盲评。各行的 API 错误、超时和截断都保留在 16 次请求的分母中。格式规则会改变结果事后敏感性检查另外做了一项事后敏感性检查只移除最外层的一层 Markdown 代码围栏不改内容、不补答案、不重新调用。严格主结果保持不变下面只作为格式处理影响的示例。模型日常移除一层围栏后10压力移除一层围栏后6总通过16Opus 4.810313Opus 5.510616Opus 4.8 从严格评分的 4/16 变成敏感性检查中的 13/16主要变化来自格式处理。这说明一个偏向“输出必须可直接被程序消费”的评分规则可能让榜单体感出现很大落差它不能证明格式不重要也不能证明两款模型能力等效。API 链路的错误不能直接记成模型答错112 次调用中记录到15 次 HTTP 错误、17 次读取超时和 7 次输出预算截断。从应用交付角度这些都意味着没有按要求获得完整结果所以保留在严格通过率分母里。但如果要评价模型本身还得区分错误来源一次 Kimi K3.1 Pro 请求返回provider_authentication_failed它说明上游鉴权失败不能当作模型算错超时说明客户端没有及时读到完整结果也不能仅凭这一条定位为模型计算慢。同一个deepseek-v4.1-flash请求名曾返回不同版本或别名。响应里的model字段是服务端给出的标识不是模型权重身份的独立证明。GLM-5.3 路径还出现过 JSON 外附加文字、重复答案和异常标记现有证据不足以判断问题来自模型、提示模板还是上游适配。因此这组结果应称为指定 API 路径的端到端交付审计而不是中美基础模型能力总排名。对于实际接入者交付可靠性本来就是体验的一部分对于研究者则应单列模型答题错误、格式失败、超时和上游错误。发布频率与能力更新版本多不等于前沿刷新多在 AA 覆盖的样本中2026 年 1 月 1 日至 10 月 29 日中国发布 83 个版本美国发布 89 个版本。最近 90 个日历日即 8 月 1 日至 10 月 29 日分别是 24 个与 33 个版本。同一 90 天区间内中国和美国各有4 个日期刷新自己的 Progress 前沿。这里按刷新日期计数同一天多个版本只算一天。发布更多版本会增加不同规模、速度和用途的选择但不能单独证明最高能力增长得更多。截至 10 月 29 日快照中国最近一次刷新前沿的是 10 月 23 日的 Kimi K3.1 Pro美国是 10 月 28 日的 Gemini 4 Carbon。取数日期不是每个模型的更新时间这次数据没有提供所有模型完整的历史评分更新时间因此不补造一个精确“更新频率”。给开发者的落地建议把模型错误和链路错误分开记如果要在自己的业务里复测可以先把一个“成功率”拆成不同层次而不是只存最终的 pass/fail记录层建议保存的字段能回答的问题请求身份请求模型名、返回模型名、渠道、请求 ID实际请求走到了哪个标识传输状态HTTP 状态、连接错误、读取超时、耗时请求有没有成功往返生成状态finish_reason、输出 token、是否截断是否正常结束答案质量任务正确性、格式合规、人工复核内容是否满足任务要求版本口径测试日期、模型快照、参数、提示词版本两次测试是否可比较运行比较时建议固定任务集与判分脚本记录失败而不悄悄重试替换分别报告按“请求交付”与按“成功生成后的答案质量”计算的指标。若有格式后处理应把原始结果和后处理结果分开保存不能只发布更好看的那一列。本文的模型接口目录可从 Crazyrouter 中文模型列表查看。实际接入时应以当时的模型目录和服务响应为准不能把本文 2026-10-29 的样本当成实时可用性清单。常见问题中美 AI 模型分数差距是在持续扩大吗按本文这次同一 Progress Index v1 快照回溯差距并非一路扩大2026-09-30 为 27.612026-10-29 为 10.94。美国在该快照中仍然领先回溯拟合与时间窗口限制也意味着不能把它当成每日实时榜单。有多少模型已经超过 Opus 4.8按 Opus 4.8max的 Progress Index v1 分数 318.376758998036 作参考AA 样本中有 12 个中国、21 个美国发布版本严格超过它。数字包含历史版本不等于当前有相同数量的 API 服务可调用。这能证明中国模型日常使用已经追平美国模型吗不能。112 次调用仅覆盖 7 款指定模型、8 种合成任务、每题两次没有真人盲评也不是两国模型的随机样本。结果只能描述本次任务与 API 路径。为什么 Opus 4.8 的严格测试分数看上去偏低严格规则要求输出格式也完全符合题意。Opus 4.8 有些回答内容正确但在 JSON 外加了 Markdown 围栏事后移除一层围栏后统计结果会上升。敏感性检查没有替代严格主结果。HTTP 错误和超时应该算模型能力失败吗对于用户的端到端体验它们属于交付失败对于基础模型的解题能力它们未必是模型答错。报告时最好保留在端到端成功率同时按上游错误、传输超时、截断、格式错误和答案错误分别归类。为什么不直接拿 Opus 4.8 的 Intelligence 分数 61.4 作门槛61.4 来自旧版 Intelligence Index而 Opus 4.8 在本次 v5 快照中没有可用总分。把旧版分数直接与 v5 或 Progress 分数比较会混用标尺因此本文改用 Progress Index v1 的 Opus 4.8 参考值。总结这篇序章能说明什么不能说明什么截至 2026-10-29AA 样本显示美国在当前前沿分数和头部阵容上领先同标尺的 Progress 回溯不支持“分差持续扩大”超过 Opus 4.8 Progress 参考值的发布版本中中国有 12 个、美国有 21 个而一次 API 测试的体感还受格式、超时、截断、版本映射和上游服务影响。这组结果能帮助我们把后续问题问得更准确但不足以宣布两国模型总体体验相同也不代表多模态模型。后续系列会分别测试文本、编程与 Agent、图像、视频、语音、向量与重排并把任务结果、服务交付和成本口径分开记录。数据来源与边界本文改写自截至2026-10-29的既有研究没有新增模型调用或多语言能力测试。榜单数据之后可能补测或修订本文不是实时排名。完整调用样本、部分任务提示词和内部研究包没有随本文公开因此 API 测试不能被视为完全可独立复现的公开基准。Artificial Analysis Data API 文档Artificial Analysis AI TrendsProgress Index 方法说明Intelligence Index v5 更新说明Intelligence Index 评测方法Opus 4.8 发布时的 AA 评测本次 API 样本没有进行真人盲评、生产用户任务抽样或长周期负载测试。发布版本数量、评测分数与 API 可用状态各自代表不同口径“超过”参考线不自动意味着统计显著也不自动等于适合任意生产任务。