本文作者：huangserva（@servasyy_ai）。版权归作者所有，未经授权禁止转载。
先说答案：国内模型综合第一，是 GLM-5.3，两轮等权参考分 93.4。
要一个既能整包交付、又经得起反复拆题委派的国产模型，现在的答案就是它。
但这个答案值得花十分钟读完推导过程，因为它不是一路领先赢下来的。
三周前，这个问题还只有一个答案：Kimi-K3——Round 1 超长整包 95.6 分，在我们那份冻结 rubric 的九模型榜上排国产第一，且与身后的差距足够大，算得上独一档。
三周后，两款新模型的发布把这个格局打破了。
hy4 preview 在 Round 1 上以 96.4 压过了 Kimi，单发上限全场国产最高；GLM-5.3 在 Round 2 拆题稳定测试里以 93.6 登顶；而 hy4 的 Round 2 只有 83.8——单发第一和综合第一，不是同一个模型。
下面把三层答案逐一讲清楚：先看 Round 1 为什么是 hy4，再看 Round 2 为什么是 GLM-5.3，最后回到开头那个最重要的综合榜，看 93.4 是怎么算出来的。
先说评分尺
所有分数出自同一份冻结 rubric：10 个能力维度 × 每维 5 个子项 = 50 细项，满分 100。
▲ 十个能力维度与三条硬规则。核心答案错误、虚假完成或捏造事实触发 B0 硬封顶，该维度最高只能拿 3 分；速度与价格一律不计入；模型版本经 OpenRouter 实时目录固定，评分账本完整存档可复核。
测法分两轮，考的是两种不同的工作方式：
Round 1（超长整包）：把十类工作一次性塞进同一请求，考注意力竞争、跨任务约束保持和长答案预算分配——像把一整天的活儿一次委派出去。
Round 2（拆题稳定）：十个维度拆成十个独立对话，每项跑 3 次，共 30 份答案，考单项上限、重复运行波动和正文完整性——像日常把任务分给不同工作代理。
一个模型可以在其中一轮很强、另一轮平庸。这正是「第一」会裂开的原因。
Round 1 第一：hy4 preview,96.4
一次性整包交付这条赛道上，国产第一现在是 hy4 preview。总分 96.4，压过 Kimi-K3 的 95.6，在十一模型合榜上排第 3，仅次于 GPT-5.6 Sol Ultra（98.4）和 Claude Fable 5（97.6），无 B0 封顶。
▲ Round 1 十一模型合榜（含 Grok 4.6，经 Grok Build 命令行界面运行）
它赢在一个高光加上没有短板。高光在 D9：直接抓出题面自身的数据矛盾（9 + 2 = 11 > 10 次运行），还给出正确的置信区间——此前只有 Sol 和 Fable 级别的答卷做到过。D1 / D4 / D9 / D10 四个满分维度都是硬的，唯一短板是 D2 的 8.8：测试 mock 和实现对不上。
但这个第一要带限定词读：只差 0.8 分、单次答卷。它是能力基线，不是稳定胜负——它随后的 Round 2 把这句提醒变成了事实。
Round 2 第一：GLM-5.3，93.6
拆题稳定这条赛道上，第一是 GLM-5.3——而且这是全场（Fable5和GPT5.6Sol不参与）横向可比性最强的一个榜：六个模型的 180 份答案在同一批次、同一匿名映射、同一冻结评分表下统一重判。
hy4 preview 与 Grok 4.6 的拆题答卷为单模型匿名补判（同题同评分尺，属追加批次，未与六模型同批重判），一并列入参考，合计八个模型。
▲ Round 2 八模型稳定性总榜。能力画像 = 每维取三次中位数后十项相加；右侧四列是 30 份答案的交付质量账本（完整 / 部分 / 空正文 / 服务失败）。Hy4 与 Grok 为单模型匿名补判。
再拆到逐维看，八个模型全部列入，每格给出中位数和三次原始成绩，每个维度下还标注了五个评分细项：
▲ Round 2 八模型十维 × 三次逐次分。每格大字是三次中位数，小字依次为第 1、2、3 次成绩；「缺失」表示服务未返回有效样本，不补成 0；每个维度下的小字为该维五个评分细项。
GLM-5.3 的赢法和 hy4 正好相反：没有哪一项特别炸裂，但十项里没有一项拉胯。考得最差的是写代码（D2），也有 8.4 分——同一道题，Kimi 只拿 3 分，DeepSeek 直接 0 分。其余九项全在 8.8 到 10 分之间，逻辑推理和 Agent 任务两项满分。同一套题连考三次，成绩是 95.6、91.6、92.0，次次都在 90 分以上，而且 30 份答案交得齐齐整整。
值得注意的是 Kimi-K3 在这一轮的位置：87.4，第 3，出现了 3 份正文不完整的问题。可以看到一次委派它很强，反复委派它的波动和交付完整性都被 GLM-5.3 明显拉开。
hy4 的反转：单发最强，拆题跌到 83.8
Round 1 的领跑者在这一轮跌得最厉害。hy4 的 30 份答卷交付本身无可挑剔——30/30 完整，无空答、截断或服务失败，三次整套 84.6 / 83.8 / 85.8，波动只有 2.0 分，稳是稳的——但稳定画像只有 83.8。
丢分的原因是不守规矩：写代码时三次里有两次改了题目明说不许动的地方，被直接封顶到 3 分。
这正好解释了 Round 1 和 Round 2 的落差：单次整包里它把约束守住了一次，拿到 96.4；拆开重复跑三次，违反约束的概率就暴露出来了。这也是 Round 2 存在的意义。
综合第一：GLM-5.3，93.4
现在回到开头给出的那个答案，看 93.4 是怎么来的。公式是（Round 1 分数 + Round 2 能力画像）÷ 2——同时照顾整包一次性交付和拆解任务的稳定性，八个模型排名如下：
▲ 八模型双轮等权参考榜。等权参考分 =（Round 1 整包 + Round 2 能力画像）÷ 2，是路由参考，不能替代两张原始榜；Hy4 与 Grok 含单模型追加判分，细小差距不可解释。
GLM-5.3 两轮都稳在 93 上下，等权 93.4，第 1。
Kimi-K3 靠 Round 1 的 95.6 撑着，被 Round 2 的 87.4 拖到 91.5，第 2。
hy4 preview 是全场落差之最：Round 1 全场国产最高的 96.4，被 Round 2 的 83.8 直接拖到 90.1，国产第 3。
被很多人吹上天的 Qwen3.8 Max 则是另一种偏科：拆题能拿全场第 2 的 88.0，整包却只有 78.4，综合 83.2 排第 5。
梁圣 DeepSeek V4 Pro 0813 这次也跌下神坛：整包 91.6 还算体面，拆题却只有 74.2——写代码一项直接 0 分——综合 82.9，排第 6。
唯一的两款海外模型里，Grok 4.6 以 86.8 排第 4，Claude Opus 4.6 78.0 排第 7——榜单前三清一色国产。
所以，到底谁是第一？
按三层分开答：
▲ 同一份冻结 rubric，三种问法，三个答案。
Round 1 整包第一：hy4 preview（96.4）——单发上限最高，但 0.8 分差距、单次样本，是能力基线不是稳定排名。
Round 2 稳定第一：GLM-5.3（93.6）——同批盲测重判、无塌陷项、30/30 完整交付，是全场最硬的一个第一。
综合第一：GLM-5.3（93.4）——这是最重要的答案。要一个能整包交付、也能反复拆题委派的国产模型，现在的答案是 GLM-5.3。
Kimi-K3 没有掉队——它综合仍是国产第 2——但「国产独一档」的时代确实结束了：单发上限被 hy4 拿走，稳定与综合被 GLM-5.3 拿走。而 hy4 的双轮成绩则给所有榜单读者上了一课：单发 96.4 与稳定 83.8 可以出自同一个模型，只看一轮，你看到的不是它的全貌。
最后一个尾注：GLM-5.3 的最高推理档非常吃输出预算，16K tokens 时曾推理耗尽、正文为空，用 64K 上限才完整交付——生产使用记得留够预算。
这份榜单反复证明的正是：决定「第一」的，从来不是最高的那一次，而是每一次。
不相信？欢迎自己跑一遍
这套评测的题目和方法已经全部开源：huangserva/model-evaluation。
仓库里公开了两套彼此独立的评测：
十维代理能力快筛——就是本文用的这套。Round 1 超长整包和 Round 2 十项独立题的完整题面、闭卷运行协议、三次重复运行方法和结果报告规范，全部可以逐字取用。
每模型 300 题代码与困难推理基准——150 题代码（HumanEval+ / MBPP+）加 150 题困难推理（MMLU-Pro）的历史实测快照，含确切题目清单、上游固定版本和题面重建脚本。
为了防止刷题，私有评分表、参考答案、历史分数和匿名映射不公开——但题面和协议足够任何人对任何模型复现同样的测试。如果你复测出了不同的结果，欢迎带着全部原始答案来讨论：这份榜单的规矩从第一天起就是三次重复运行、全样本披露、不静默删除异常。
