中美AI模型真实差距到底有多远？｜序章

中美AI模型对比系列 · 序章。我们先从文本模型建立比较方法，再分别研究图像、视频、语音、向量检索与重排。本篇是方法和问题的起点，文本模型的分数不能代表其他模态的实力。

美国模型在当前前沿榜单和头部阵容上领先，但“中美模型差距正在持续扩大”不符合本次同标尺回溯结果。以 Opus 4.8 作为个人满意度的参考门槛，AA 已覆盖样本中有 12 个中国发布版本、21 个美国发布版本的 Progress Index 分数高于它；这不意味着每个任务都更好用。

数据截点为 2026 年 10 月 29 日。本文把三个容易混淆的问题拆开：最强模型之间差多少、跨过旧旗舰门槛的选择有多少，以及实际请求中哪些差距能够被感受到。前两个问题使用 Artificial Analysis（AA）数据，第三个问题通过 Crazyrouter 进行 7 款模型、8 种任务、每题 2 次，共 112 次调用审计。[1][2]

这是一份模型样本研究。它不评判两国整体 AI 产业，也没有进行人类主观盲评；“可用”最终取决于你的任务、等待时间和容错要求。

先看结果：前沿领先与普遍可用，是两件事#

两种指数的数值不能相减或混排。当前 v5 前沿分差为 13.4 分；Progress v1 的当前前沿分差为 10.94 分。前者衡量当前评测集的表现，后者用于分析跨时期的能力变化。

统计将 AA 的 716 条推理配置合并为 517 个发布版本，其中中国 176 个、美国 257 个，其余为其他国家或未分类。按 release.id 合并，同一版本的 high、max、xhigh 不重复算成多个模型。每项指标分别取该版本的最高得分配置，最高配置可能不同。

新 v5 榜单目前只有 39 个发布版本有可用总分，其中中国 12 个、美国 24 个、其他国家 3 个。这里的 Top 10 和均分是已测样本的统计，缺测不代表零分。排名按原始 API 返回精度，并列占同名次，后续名次跳位。[1]

当前前20名：谁在头部？#

这份前20名中，中国占6席、美国占14席；前10名分别为1席和9席。结合Top 5均分34.74与56.68，可以看到单个前沿模型追近与头部梯队厚度仍有差别。总分缺测的版本不参与排名。[1]

分数差距是在越拉越大吗？#

不是持续扩大，而是明显受旗舰发布节奏影响。 我们用同一次抓取的 Progress Index v1，按各版本发布日期重建两国前沿：某天之前已发布版本的最高分，就是那天的回溯前沿。

2026 年 8 月底的分差是 11.07。9 月美国新旗舰集中推出后，月底扩大至 27.61；10 月 23 日 Kimi K3.1 Pro 发布，将差距收窄至 10.57；10 月 28 日 Gemini 4 Carbon 发布后，10 月 29 日快照为 10.94。[2]

这使“看哪个时间窗口”成为结论的一部分。当前分差比30天前缩小约 16.66 分，比90天前缩小约 2.91 分，比180天前缩小约 12.00 分。与此同时，美国依然在两国前沿比较中领先。收窄与领先可以同时成立。

但不能把这张图称为“过去每一天的实时榜单”。Progress Index 是基于当前已取得评测的统计拟合，未来补测与重新拟合可能改变回溯分数；历史 API 开放状态也没有完整复原。它回答的是“现在用同一把尺子看过去发布的模型”，不是“当时用户实际能调用到什么”。[3]

为什么有人会看到差距突然变大？#

AA 在 2026 年 10 月 27 日将 Intelligence Index 升级至 v5，新增或升级了软件工程、科研和知识推理评测。其公告提到，开放权重类别头部与领先模型的差距，从 v4.3 的3分变成 v5 的12分。[4]

这里既更换了测量尺子，又使用了“开放权重与领先模型”的分组；不能把它直接改写为“两天内中美能力差距从3分扩大到12分”。该公告还将权重尚未发布的 Kimi K3.1 Pro 纳入相关描述，更不能把这一分组等同于当日已经可以下载的模型集合。

v5 给知识工作、编程、科学和通用四类各25%权重。这会比单纯聊天更重视困难任务和多步骤执行。因此，榜单差距可以很大，同时某些日常任务的差距较小；是否如此，需要具体任务证据。[4][5]

如果 Opus 4.8 已经够用，有多少模型跨过了它？#

先固定标尺。Opus 4.8 在2026年5月发布评测中的 61.4 分属于旧版 Intelligence Index。本次 API 快照中，它的 v5 总分为空，不能把空值当0，更不能拿旧61.4筛选新榜单。[1][6]

本文改用 Progress Index v1 中的 Opus 4.8（max）：318.376758998036 作为固定参考，严格大于才算超过；相等不算，缺测记未知。阈值取完整精度，表格只保留两位小数。[2]

在517个发布版本中，全球共33个超过此门槛，全部落在本次中美两组内。其中中国12个、美国21个。仅看AA没有标记 deprecated 的版本，分别为 9个和13个。AA标记是页面状态，不证明官方已经关停，也不保证当前任何网关都可调用。

中国跨过门槛的完整名单#

美国跨过门槛的完整名单#

不能把微弱超出都叫“明显领先”。例如，GLM-5.3-Flash高于基准约0.27分；本次公开数据未提供足以支持此比较的置信区间。所以下表只做阈值敏感性分析，这些加分档不是统计显著性标准：

这个角度能同时解释两种感受：达到旧旗舰水平的选择确实增加了；远高于旧旗舰的头部选择仍集中在美国组。 中国12个跨线版本中，只有3个高出5分以上；美国则有17个。以上都含历史版本，不能解读为当前API库存。

跨过这个能力门槛，相差多少天？#

在当前 Progress v1 回溯中，美国最早越线的版本是2026年4月23日发布的 GPT-5.5，中国是2026年7月16日发布的 Kimi K3，两次越线日期相差 84天。若从Opus 4.8自身发布日5月28日起算，到Kimi K3是 49天。[2]

GPT-5.5比Opus 4.8更早跨过这条回溯阈值并不矛盾：Progress与当时Intelligence榜单的目标、拟合和排序不同。84天只是这一条指定阈值的首次跨越日期差，不是“中国所有模型整体落后三个月”的证据。

实际体感差距，真的有分数看起来那么大吗？#

本次实验能回答的是“在这套请求条件下，哪些任务顺利交付”，不能替代人的总体满意度评价。我们从Anthropic系列和OpenAI系列选取当前代表模型，并保留Opus 4.8基准；中国组覆盖Kimi系列、Qwen系列、DeepSeek系列与GLM系列。这是有目的选样，不用于估计国家平均胜率。

测试在 2026年10月29日进行，统一走 https://cn.crazyrouter.com/v1/chat/completions，请求设置为 reasoning_effort="high"、max_tokens=8192、非流式，不调用工具，每次读取超时180秒，随机顺序，最多4并发。相同high标签不代表相同内部算力，也不等同AA各模型的最高档评测。

严格通过要求HTTP成功、正常结束、最终答案及格式全部符合要求。我们保留预先约定的这一主指标；另外做事后敏感性检查，仅去掉一个外层Markdown代码围栏，不修答案、不重试。后者更接近“内容是否可读懂”，前者更接近“程序能否直接接入”。

差距体现在哪里？#

以本轮 DeepSeek V4.1 Flash 与 Opus 5.5 为例：日常任务严格交付分别为 9/10 与 7/10，压力任务为 0/6 与 4/6。这是固定预算下的交付差别，不能将未完成全部解释成“模型不会做”；特别是压力任务可能耗尽输出预算或在等待上限前未完成。

另一个真实例子来自 Opus 4.8：它在订单提取中返回了正确字段和值，却包裹了Markdown代码围栏，导致严格JSON检查未通过。若你在聊天窗口阅读，可能并不觉得这是错误；若结果直接进入程序，就需要增加清洗步骤。同一份输出，在两种使用方式下会产生不同的体感。

只移除单层代码围栏后，结果变为：

Opus 4.8与Opus 5.5的日常题均为10/10，但压力题分别为3/6与6/6。这提供了一个具体例子：更高能力的优势可能主要在更难的任务上出现。这里只有5种日常任务和3种压力任务，同题两次调用不算两道独立题，不能据此证明日常能力已经等效。

网关和版本映射也会改变体验#

本次112次请求中，HTTP错误 15次、读取超时 17次、预算截断 7次。这些调用都保留在固定预算交付率的分母里，并在下表独立列出。

例如，Kimi K3.1 Pro的一次请求返回 provider_authentication_failed。这说明该次请求未被上游正确鉴权，不能作为模型答错的证据。读取超时同样只表示客户端没有及时拿到完整响应，不能定位为模型计算慢。

响应model字段只是服务端声明，不是权重身份的独立证明。尤其DeepSeek的同一请求名返回过不同版本/别名，本轮无法保证所有请求精确对应AA的同一个发布版本。因此，这些结果应称为“本次API路径的交付审计”，不能与AA分数硬配对计算相关系数，更不能由它宣布某国模型整体更强或等效。

GLM-5.3路径还出现JSON后附加额外文本、重复答案和异常标记的响应。本文保留原始证据，但不能判断异常来自模型、模板还是上游适配。它的低严格交付数尤其不适合作为基础模型能力结论；本轮没有为获得更好成绩而修改通道或重跑替换失败。

我们没有完成真人盲评、生产用户任务抽样、长周期负载测试或同预算的多轮Agent评测。所以，对“总体体感是否一样好”，本次证据仍然不足。已经能确认的是：题目类型、输出格式、请求预算和服务链路，会使实际体验与单一榜单顺序不同。

谁更新更快？发布数量与能力突破分开看#

以下统计的是 AA覆盖样本中的独立发布版本，不是两国所有模型的完整发布普查。一个版本的多个推理档位只算一次。刷新前沿按发生提升的日期计数，同日多个版本不重复算多次。

2026年1月1日至10月29日，样本中中国发布 83个版本，美国 89个。最近90个日历日（8月1日至10月29日，首尾均计入），分别为 24个与33个，但两组各只有 4个日期刷新自己的Progress前沿。发布得更多，不自动意味着最高能力提升得更多。[2]

截至本次快照，中国最近一次刷新前沿是 10月23日的Kimi K3.1 Pro，美国是 10月28日的Gemini 4 Carbon。数据采集于10月29日，不能把采集日称作模型更新日。AA API没有提供每个模型完整的历史评分变更日志；我们也不臆造该字段。

如何复算，以及下一轮如何验证“体感”#

本次在编辑部研究归档中保留了AA四页API响应、公开趋势图表数据、归并后的517行CSV、统计脚本、任务真值、全部112次调用及摘要。正式博客里的统计只来自这些冻结记录。来源为 Artificial Analysis；聚合计算和Crazyrouter路径实测由本文完成。

核心计算可以用以下伪代码理解：

# 同一快照、同一指标版本；release_id来自AA，不根据名称猜测。
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，订单提取任务的Opus 4.8响应ID为 msg_011CgWecKv2YBwoHYumCeURh，HTTP 200且正常结束；原答案是正确JSON外包代码围栏，严格判失败、格式敏感性检查判通过。Kimi鉴权失败的请求ID为 608ccc90b353423d036dca779cafcc37。这两个记录分别说明“拿到结果但格式不符”和“未得到模型答案”的区别。

以下示例重放一项业务规则任务，API Key只从环境变量读取，端点不带UTM：

import os
import requests

response = requests.post(
    "https://cn.crazyrouter.com/v1/chat/completions",
    headers={"Authorization": "Bearer " + os.environ["CRAZYROUTER_API_KEY"]},
    json={
        "model": "claude-opus-4-8",
        "messages": [{"role": "user", "content": "未拆封且签收次日起7日内可退款；第7日包含在内。A在2026-10-20签收，2026-10-27申请退款，无质量缺陷。只输出JSON，键eligible为布尔值。"}],
        "reasoning_effort": "high", "max_tokens": 8192, "stream": False,
    },
    timeout=(15, 180),
)
response.raise_for_status()
print(response.json())

这是正文的简化复现示例，不是112次正式测试中的完整原题。完整8道题、判分脚本与原始记录由编辑部归档；本文未提供完整原始研究包的公开下载。没有用此简化题追加或替代正式成绩。

这里的 available_by_date 仅指发布日期不晚于该天，不保证当日有公开API。缺分不填零，不把一分当作固定百分比。两国国别沿用AA研发机构标签，Google归入其标记的美国组，不以服务器位置或员工国籍划分。[1][3]

下一轮如果要真正检验“体感等效”，建议先固定三类目标用户任务与可接受差异，再进行匿名、随机左右顺序的配对盲评。主指标应包含任务完成质量、重大错误、人工返工和偏好；调用失败率单列。等效界限与样本量在看结果前确定，按任务聚类分析。不能用“没有检验出显著差异”当作“体验相同”。

接下来，这个系列准备研究什么？#

本篇先回答“分数差距、旧旗舰门槛与实际交付有什么不同”。后续将按能力类型分篇，分别使用适合该任务的基准、固定预算和真实API测试，不把不同模态的分数拼成一个“国家总分”。以下为选题规划，后续专题尚未发布。

每篇都会保留“谁在前沿、谁跨过实用门槛、差距是否影响真实任务”三个问题，但门槛由该模态的参考模型或业务验收条件定义。例如，Opus 4.8可以作为本篇的文本参考，不能成为图像、语音或向量模型的通用门槛。

常见问题#

中美AI模型真实差距到底有多远？#

本次快照中，美国在AA Intelligence v5前沿领先13.4分；同一Progress v1标尺上的前沿差距为10.94分。二者测量目标不同，都不能直接换算成能力百分比或用户满意度差。

差距是否越来越大？#

当前回溯数据不支持“持续扩大”。2026年9月底分差27.61，10月29日为10.94，中间随新模型发布明显收窄。但前沿追近不等于头部梯队已经一样厚。

多少中国模型已经超过Opus 4.8？#

按Progress v1、独立发布版本、严格高于Opus 4.8(max)计数，是12个，包含历史版本。其中9个尚未被AA标记deprecated。超过评测参考门槛不保证在你的每种任务上都胜过它。

为什么不用Opus 4.8的61.4分？#

61.4来自它发布时的旧Intelligence Index；本轮v5中该模型没有总分。必须使用同一标尺比较，不能把历史分值直接套到新榜单。

中国模型是不是已经足够日常使用？#

不能仅凭国别给出统一答案。本轮部分模型能完成日常任务，但网关错误、格式差异与预算截断也改变结果。应从自己的任务与可接受失败率出发，选择具体模型及可靠调用路径。

这次测试能证明中美模型体感相同吗？#

不能。这里只做了8种合成任务、每题2次，且部分请求出现版本别名和链路问题，没有人类盲评。它展示了榜单与体验可能分离的具体原因，没有证明总体等效。

发布版本、模型配置与API名称有什么区别？#

AA的一个发布版本可能有多个推理档位；网关又可能使用别名或滚动更新到新版本。榜单计数按发布版本去重，实测则保留实际请求名与返回model字段，两者不自动一一对应。

参考资料#

1. Artificial Analysis Data API：字段、分页、版本与缺值定义。本次完整采集2026-10-29，API报告Intelligence版本5。
2. Artificial Analysis AI Trends：Progress、国家归属与发布版本。本次2026-10-29匿名公开页面快照；文中统计为作者对该快照的再计算。
3. Artificial Analysis Progress Index v1 方法。IRT标尺、档位与历史比较的边界。
4. AA Intelligence Index v5发布公告，2026-10-27。用于解释评测变化，不作为10月29日最新榜单替代品。
5. AA Intelligence Index方法与版本说明。
6. AA Opus 4.8发布评测，2026-05-28与当前模型页。
7. Anthropic Opus 4.8官方发布页。

本文的“超过”“领先”均限定于明确标尺和已覆盖样本，不代表统计显著性。AA数据后续补测、修订或新增模型后，结果需要重新计算。