中美 AI 模型真實差距到底有多遠？｜序章

本篇為同一項研究的繁體中文版，資料截點為 2026-10-29。全部 112 次測試使用原始中文提示詞，未另行執行多語言評測。配圖統一使用英文標籤；程式範例以 Unicode 跳脫序列保留原始中文提示詞，執行時會還原。

中美 AI 模型比較系列 · 序章。我們先從文本模型建立比較方法，再分別研究圖像、影片、語音、向量檢索與重排。本篇是方法和問題的起點，文本模型的分數不能代表其他模態的實力。

美國模型在目前的前沿榜單和領先陣容上占優，但「中美模型差距正在持續擴大」不符合本次同標尺回溯結果。以 Opus 4.8 作為個人滿意度的參考門檻，AA 已涵蓋樣本中有 12 個中國發布版本、21 個美國發布版本的 Progress Index 分數高於它；這不意味著每個任務都更好用。

資料截點為 2026 年 10 月 29 日。本文把三個容易混淆的問題拆開：最強模型之間差多少、跨過舊旗艦門檻的選擇有多少，以及實際請求中哪些差距能夠被感受到。前兩個問題使用 Artificial Analysis（AA）資料，第三個問題透過 Crazyrouter 進行 7 款模型、8 種任務、每題 2 次，共 112 次呼叫稽核。[1][2]

這是一份模型樣本研究。它不評判兩國整體 AI 產業，也沒有進行人類主觀盲評；「可用」最終取決於你的任務、等待時間和容錯要求。

先看結果：前沿領先與普遍可用，是兩件事#

兩種指數的數值不能相減或混排。目前 v5 前沿分差為 13.4 分；Progress v1 的目前前沿分差為 10.94 分。前者衡量目前評測集的表現，後者用於分析跨時期的能力變化。

統計將 AA 的 716 條推理配置合併為 517 個發布版本，其中中國 176 個、美國 257 個，其餘為其他國家或未分類。按 release.id 合併，同一版本的 high、max、xhigh 不重複算成多個模型。每項指標分別取該版本的最高得分配置，最高配置可能不同。

新 v5 榜單目前只有 39 個發布版本有可用總分，其中中國 12 個、美國 24 個、其他國家 3 個。這裡的 Top 10 和均分是已測樣本的統計，缺測不代表零分。排名按原始 API 回傳精度，並列占同名次，後續名次跳位。[1]

目前前 20 名：誰在領先陣容？#

這份前 20 名中，中國占 6 席、美國占 14 席；前 10 名分別為 1 席和 9 席。結合 Top 5 均分 34.74 與 56.68，可以看到單一前沿模型追近與領先梯隊厚度仍有差別。總分缺測的版本不參與排名。[1]

分數差距是在越拉越大嗎？#

不是持續擴大，而是明顯受旗艦發布節奏影響。 我們用同一次擷取的 Progress Index v1，按各版本發布日期重建兩國前沿：某天之前已發布版本的最高分，就是那天的回溯前沿。

2026 年 8 月底的分差是 11.07。9 月美國新旗艦集中推出後，月底擴大至 27.61；10 月 23 日 Kimi K3.1 Pro 發布，將差距收窄至 10.57；10 月 28 日 Gemini 4 Carbon 發布後，10 月 29 日快照為 10.94。[2]

這使「看哪個時間窗口」成為結論的一部分。目前分差比 30 天前縮小約 16.66 分，比 90 天前縮小約 2.91 分，比 180 天前縮小約 12.00 分。與此同時，美國依然在兩國前沿比較中領先。收窄與領先可以同時成立。

但不能把這張圖稱為「過去每一天的即時榜單」。Progress Index 是基於目前已取得評測的統計擬合，未來補測與重新擬合可能改變回溯分數；歷史 API 開放狀態也沒有完整復原。它回答的是「現在用同一把尺子看過去發布的模型」，不是「當時使用者實際能呼叫到什麼」。[3]

為什麼有人會看到差距突然變大？#

AA 在 2026 年 10 月 27 日將 Intelligence Index 升級至 v5，新增或升級了軟體工程、科研和知識推理評測。其公告提到，開放權重類別領先群與領先模型的差距，從 v4.3 的 3 分變成 v5 的 12 分。[4]

這裡既更換了測量尺子，又使用了「開放權重與領先模型」的分組；不能把它直接改寫為「兩天內中美能力差距從 3 分擴大到 12 分」。該公告還將權重尚未發布的 Kimi K3.1 Pro 納入相關描述，更不能把這一分組等同於當日已經可以下載的模型集合。

v5 給知識工作、程式設計、科學和通用四類各 25% 權重。這會比單純聊天更重視困難任務和多步驟執行。因此，榜單差距可以很大，同時某些日常任務的差距較小；是否如此，需要具體任務證據。[4][5]

如果 Opus 4.8 已經夠用，有多少模型跨過了它？#

先固定標尺。Opus 4.8 在 2026 年 5 月發布評測中的 61.4 分屬於舊版 Intelligence Index。本次 API 快照中，它的 v5 總分為空，不能把空值當 0，更不能拿舊 61.4 篩選新榜單。[1][6]

本文改用 Progress Index v1 中的 Opus 4.8（max）：318.376758998036 作為固定參考，嚴格大於才算超過；相等不算，缺測記未知。閾值取完整精度，表格只保留兩位小數。[2]

在 517 個發布版本中，全球共 33 個超過此門檻，全部落在本次中美兩組內。其中中國 12 個、美國 21 個。僅看 AA 沒有標記 deprecated 的版本，分別為 9 個和 13 個。AA 標記是頁面狀態，不證明官方已經關停，也不保證目前任何閘道都可呼叫。

中國跨過門檻的完整名單#

美國跨過門檻的完整名單#

不能把微弱超出都叫「明顯領先」。例如，GLM-5.3-Flash 高於基準約 0.27 分；本次公開資料未提供足以支持此比較的信賴區間。所以下表只做閾值敏感性分析，這些加分檔不是統計顯著性標準：

這個角度能同時解釋兩種感受：達到舊旗艦水準的選擇確實增加了；遠高於舊旗艦的領先選擇仍集中在美國組。 中國 12 個跨線版本中，只有 3 個高出 5 分以上；美國則有 17 個。以上都含歷史版本，不能解讀為目前 API 庫存。

跨過這個能力門檻，相差多少天？#

在目前 Progress v1 回溯中，美國最早越線的版本是 2026 年 4 月 23 日發布的 GPT-5.5，中國是 2026 年 7 月 16 日發布的 Kimi K3，兩次越線日期相差 84 天。若從 Opus 4.8 自身發布日 5 月 28 日起算，到 Kimi K3 是 49 天。[2]

GPT-5.5 比 Opus 4.8 更早跨過這條回溯閾值並不矛盾：Progress 與當時 Intelligence 榜單的目標、擬合和排序不同。84 天只是這一條指定閾值的首次跨越日期差，不是「中國所有模型整體落後三個月」的證據。

實際體感差距，真的有分數看起來那麼大嗎？#

本次實驗能回答的是「在這套請求條件下，哪些任務順利交付」，不能替代人的總體滿意度評價。我們從Anthropic 系列（英文）和OpenAI 系列（英文）選取目前代表模型，並保留 Opus 4.8 基準；中國組涵蓋Kimi 系列（英文）、Qwen 系列（英文）、DeepSeek 系列（英文）與GLM 系列（英文）。這是有目的選樣，不用於估計國家平均勝率。

測試在 2026 年 10 月 29 日進行，統一走 https://cn.crazyrouter.com 的 /v1/chat/completions 端點，請求設定為 reasoning_effort="high"、max_tokens=8192、非串流，不呼叫工具，每次讀取逾時 180 秒，隨機順序，最多 4 並行。相同 high 標籤不代表相同內部算力，也不等同 AA 各模型的最高檔評測。

嚴格通過要求 HTTP 成功、正常結束、最終答案及格式全部符合要求。我們保留預先約定的這一主指標；另外做事後敏感性檢查，僅去掉一個外層 Markdown 程式碼圍欄，不修答案、不重試。後者更接近「內容是否可讀懂」，前者更接近「程式能否直接接入」。

差距體現在哪裡？#

以本輪 DeepSeek V4.1 Flash 與 Opus 5.5 為例：日常任務嚴格交付分別為 9/10 與 7/10，壓力任務為 0/6 與 4/6。這是固定預算下的交付差別，不能將未完成全部解釋成「模型不會做」；特別是壓力任務可能耗盡輸出預算或在等待上限前未完成。

另一個真實例子來自 Opus 4.8：它在訂單提取中回傳了正確欄位和值，卻包裹了 Markdown 程式碼圍欄，導致嚴格 JSON 檢查未通過。若你在聊天視窗閱讀，可能並不覺得這是錯誤；若結果直接進入程式，就需要增加清理步驟。同一份輸出，在兩種使用方式下會產生不同的體感。

只移除單層程式碼圍欄後，結果變為：

Opus 4.8 與 Opus 5.5 的日常題均為 10/10，但壓力題分別為 3/6 與 6/6。這提供了一個具體例子：更高能力的優勢可能主要在更難的任務上出現。這裡只有 5 種日常任務和 3 種壓力任務，同題兩次呼叫不算兩道獨立題，不能據此證明日常能力已經等效。

閘道和版本映射也會改變體驗#

本次 112 次請求中，HTTP 錯誤 15 次、讀取逾時 17 次、預算截斷 7 次。這些呼叫都保留在固定預算交付率的分母裡，並在下表獨立列出。

例如，Kimi K3.1 Pro 的一次請求回傳 provider_authentication_failed。這說明該次請求未被上游正確鑑權，不能作為模型答錯的證據。讀取逾時同樣只表示用戶端沒有及時拿到完整回應，不能定位為模型計算慢。

回應 model 欄位只是伺服端聲明，不是權重身分的獨立證明。尤其 DeepSeek 的同一請求名回傳過不同版本／別名，本輪無法保證所有請求精確對應 AA 的同一個發布版本。因此，這些結果應稱為「本次 API 路徑的交付稽核」，不能與 AA 分數硬配對計算相關係數，更不能由它宣布某國模型整體更強或等效。

GLM-5.3 路徑還出現 JSON 後附加額外文本、重複答案和異常標記的回應。本文保留原始證據，但不能判斷異常來自模型、範本還是上游適配。它的低嚴格交付數尤其不適合作為基礎模型能力結論；本輪沒有為獲得更好成績而修改通道或重跑替換失敗。

我們沒有完成真人盲評、生產使用者任務抽樣、長週期負載測試或同預算的多輪 Agent 評測。所以，對「總體體感是否一樣好」，本次證據仍然不足。已經能確認的是：題目類型、輸出格式、請求預算和服務鏈路，會使實際體驗與單一榜單順序不同。

誰更新更快？發布數量與能力突破分開看#

以下統計的是 AA 涵蓋樣本中的獨立發布版本，不是兩國所有模型的完整發布普查。一個版本的多個推理檔位只算一次。刷新前沿按發生提升的日期計數，同日多個版本不重複算多次。

2026 年 1 月 1 日至 10 月 29 日，樣本中中國發布 83 個版本，美國 89 個。最近 90 個日曆日（8 月 1 日至 10 月 29 日，首尾均計入），分別為 24 個與 33 個，但兩組各只有 4 個日期刷新自己的 Progress 前沿。發布得更多，不自動意味著最高能力提升得更多。[2]

截至本次快照，中國最近一次刷新前沿是 10 月 23 日的 Kimi K3.1 Pro，美國是 10 月 28 日的 Gemini 4 Carbon。資料採集於 10 月 29 日，不能把採集日稱作模型更新日。AA API 沒有提供每個模型完整的歷史評分變更日誌；我們也不臆造該欄位。

如何複算，以及下一輪如何驗證「體感」#

本次在編輯部研究歸檔中保留了 AA 四頁 API 回應、公開趨勢圖表資料、歸併後的 517 行 CSV、統計腳本、任務真值、全部 112 次呼叫及摘要。正式部落格裡的統計只來自這些凍結記錄。來源為 Artificial Analysis；聚合計算和 Crazyrouter 路徑實測由本文完成。

核心計算可以用以下虛擬碼理解：

# One snapshot and metric version.
# Use AA release_id, not guessed names.
release_score = max(non_null_scores_for_each_release)
baseline = progress_score_of_opus_4_8_max
above_baseline = release_score > baseline
frontier_at_date = max(scores_of_releases_available_by_date)
gap_at_date = us_frontier_at_date - cn_frontier_at_date

例如，訂單提取任務的 Opus 4.8 回應 ID 為 msg_011CgWecKv2YBwoHYumCeURh，HTTP 200 且正常結束；原答案是正確 JSON 外包程式碼圍欄，嚴格判失敗、格式敏感性檢查判通過。Kimi 鑑權失敗的請求 ID 為 608ccc90b353423d036dca779cafcc37。這兩個記錄分別說明「拿到結果但格式不符」和「未得到模型答案」的區別。

以下範例重放一項業務規則任務，API Key 只從環境變數讀取，端點不帶 UTM：

import os
import requests

endpoint = "https://cn.crazyrouter.com" + "/v1/chat/completions"
user_content = (
    "\u672a\u62c6\u5c01\u4e14\u7b7e\u6536" "\u6b21\u65e5\u8d777\u65e5\u5185" "\u53ef\u9000\u6b3e\uff1b\u7b2c7" "\u65e5\u5305\u542b\u5728\u5185\u3002"
    "A\u57282026" "-10-20" "\u7b7e\u6536\uff0c202" "6-10-2" "7\u7533\u8bf7\u9000\u6b3e\uff0c"
    "\u65e0\u8d28\u91cf\u7f3a\u9677\u3002" "\u53ea\u8f93\u51faJSO" "N\uff0c\u952eeli" "gible\u4e3a" "\u5e03\u5c14\u503c\u3002"
)

response = requests.post(
    endpoint,
    headers={"Authorization": "Bearer " + os.environ["CRAZYROUTER_API_KEY"]},
    json={
        "model": "claude-opus-4-8",
        "messages": [{"role": "user", "content": user_content}],
        "reasoning_effort": "high", "max_tokens": 8192, "stream": False,
    },
    timeout=(15, 180),
)
response.raise_for_status()
print(response.json())

這是正文的簡化複現範例，不是 112 次正式測試中的完整原題。完整 8 道題、判分腳本與原始記錄由編輯部歸檔；本文未提供完整原始研究包的公開下載。沒有用此簡化題追加或替代正式成績。

這裡的 available_by_date 僅指發布日期不晚於該天，不保證當日有公開 API。缺分不填零，不把一分當作固定百分比。兩國國別沿用 AA 研發機構標籤，Google 歸入其標記的美國組，不以伺服器位置或員工國籍劃分。[1][3]

下一輪如果要真正檢驗「體感等效」，建議先固定三類目標使用者任務與可接受差異，再進行匿名、隨機左右順序的配對盲評。主指標應包含任務完成品質、重大錯誤、人工返工和偏好；呼叫失敗率單列。等效界限與樣本量在看結果前確定，按任務聚類分析。不能用「沒有檢驗出顯著差異」當作「體驗相同」。

接下來，這個系列準備研究什麼？#

本篇先回答「分數差距、舊旗艦門檻與實際交付有什麼不同」。後續將按能力類型分篇，分別使用適合該任務的基準、固定預算和真實 API 測試，不把不同模態的分數拼成一個「國家總分」。以下為選題規劃，後續專題尚未發布。

每篇都會保留「誰在前沿、誰跨過實用門檻、差距是否影響真實任務」三個問題，但門檻由該模態的參考模型或業務驗收條件定義。例如，Opus 4.8 可以作為本篇的文本參考，不能成為圖像、語音或向量模型的通用門檻。

常見問題#

中美 AI 模型真實差距到底有多遠？#

本次快照中，美國在 AA Intelligence v5 前沿領先 13.4 分；同一 Progress v1 標尺上的前沿差距為 10.94 分。二者測量目標不同，都不能直接換算成能力百分比或使用者滿意度差。

差距是否越來越大？#

目前回溯資料不支持「持續擴大」。2026 年 9 月底分差 27.61，10 月 29 日為 10.94，中間隨新模型發布明顯收窄。但前沿追近不等於領先梯隊已經一樣厚。

多少中國模型已經超過 Opus 4.8？#

按 Progress v1、獨立發布版本、嚴格高於 Opus 4.8(max) 計數，是 12 個，包含歷史版本。其中 9 個尚未被 AA 標記 deprecated。超過評測參考門檻不保證在你的每種任務上都勝過它。

為什麼不用 Opus 4.8 的 61.4 分？#

61.4 來自它發布時的舊 Intelligence Index；本輪 v5 中該模型沒有總分。必須使用同一標尺比較，不能把歷史分值直接套到新榜單。

中國模型是不是已經足夠日常使用？#

不能僅憑國別給出統一答案。本輪部分模型能完成日常任務，但閘道錯誤、格式差異與預算截斷也改變結果。應從自己的任務與可接受失敗率出發，選擇具體模型及可靠呼叫路徑。

這次測試能證明中美模型體感相同嗎？#

不能。這裡只做了 8 種合成任務、每題 2 次，且部分請求出現版本別名和鏈路問題，沒有人類盲評。它展示了榜單與體驗可能分離的具體原因，沒有證明總體等效。

發布版本、模型配置與 API 名稱有什麼區別？#

AA 的一個發布版本可能有多個推理檔位；閘道又可能使用別名或滾動更新到新版本。榜單計數按發布版本去重，實測則保留實際請求名與回傳 model 欄位，兩者不自動一一對應。

參考資料#

1. Artificial Analysis Data API：欄位、分頁、版本與缺值定義。本次完整採集 2026-10-29，API 報告 Intelligence 版本 5。
2. Artificial Analysis AI Trends：Progress、國家歸屬與發布版本。本次 2026-10-29 匿名公開頁面快照；文中統計為作者對該快照的再計算。
3. Artificial Analysis Progress Index v1 方法。IRT 標尺、檔位與歷史比較的邊界。
4. AA Intelligence Index v5 發布公告，2026-10-27。用於解釋評測變化，不作為 10 月 29 日最新榜單替代品。
5. AA Intelligence Index 方法與版本說明。
6. AA Opus 4.8 發布評測，2026-05-28與目前模型頁。
7. Anthropic Opus 4.8 官方發布頁。

本文的「超過」「領先」均限定於明確標尺和已涵蓋樣本，不代表統計顯著性。AA 資料後續補測、修訂或新增模型後，結果需要重新計算。