一个表弟的语文作业

我表弟上初中，用GPT-5写了一篇作文，老师的评语是：“内容不错，但读起来像翻译腔。“同样一篇作文，用DeepSeek V3重写，老师给了"A+"。这个细节揭示了中文大模型评测的核心问题：英文评测的王者，不一定是中文场景的最优解。

2026年，我们使用8个中文专有评测基准，对主流模型进行了全面中文能力评测。结果令人震惊——但也完全在情理之中。

八项中文评测，五项国产模型领先

我们的评测基准包括：C-Eval（中文综合知识）、CMMLU（中文多任务理解）、C3（中文阅读理解）、CEval-Math（中文数学）、CLiB（中文语言理解）、CSpider（中文Text-to-SQL）、CLEC（中文法律考试）、Chinese-Medical（中文医学考试）。

在8项评测中，DeepSeek V3在5项上排名第一，通义千问3在2项上排名第一，GPT-5仅在1项（CSpider中文Text-to-SQL）上排名第一。

中文能力的关键差距不在"懂不懂中文”，而在"中文的语感”。 GPT-5的中文表达准确但生硬，成语使用频率低，缺少中文特有的修辞手法（对偶、排比、引用典故）。DeepSeek V3的中文输出则更接近母语者的表达习惯——成语、歇后语、网络流行语信手拈来。

中文评测的三个特殊挑战

挑战一：文言文和古诗词理解。 在C-Eval的文言文理解部分，GPT-5的得分仅61.2%，而DeepSeek V3得分87.5%。这不是语言能力的问题，而是训练数据的问题——中文互联网上的文言文语料远少于英文互联网上的莎士比亚。

挑战二：中文特有的歧义和双关。 “我差点没赶上火车"和"我差点赶上火车"在中文里意思相同，但英文翻译完全不同。这类中文特有的语言现象，在英文主导训练的模型中表现很差。GPT-5在此类测试中错误率高达35%。

挑战三：中文互联网文化。 “你是什么老六"“这波在大气层”——这些网络用语背后是中文互联网独特的文化语境。国产模型在此类测试中全面领先，因为它们的中文训练数据更新、更丰富。

中文能力评测为什么重要

全球有超过14亿中文使用者。如果你的产品面向中文用户，选择一个"英文最强但中文一般"的模型，是在用评测虚荣心换取用户体验。在中文场景下，DeepSeek V3和通义千问3是比GPT-5更好的选择——而且便宜得多。

一个实用的建议：在选模型前，用你自己的中文业务数据做一次小规模评测。50个真实场景的测试题，比任何公开排行榜都更有说服力。