La evaluación que reescribe su examen cada mes: el tablero de SuperCLUE de noviembre de 2026, 19 modelos en una tabla
aillmbenchmarksevaluation
¿De dónde viene el peso de SuperCLUE?
De dos cosas: reescribe el examen cada mes y no lo publica.
SuperCLUE es la continuación para grandes modelos de CLUE, el banco de pruebas de comprensión del chino que comenzó en 2019 y se convirtió en el tablero de referencia del procesamiento de lenguaje natural en chino. En evaluación de grandes modelos de lenguaje es el tablero más citado de China. Cada mes construye un conjunto de prueba privado, de modo que un modelo no puede escalar memorizando preguntas ya publicadas. Puntúa cinco ejes: programación con agentes, razonamiento matemático y científico, control de alucinaciones, seguimiento preciso de instrucciones y contexto ultralargo. Coloca sistemas propietarios y de pesos abiertos en la misma tabla, y eso es lo que hace legible el tablero entre ambos campos.
El tablero de noviembre de 2026 cubre 19 modelos de frontera. Las puntuaciones son de SuperCLUE, medidas en su conjunto privado de noviembre.
Quién lidera cada eje
| Eje | Puntuación más alta | Líder de pesos abiertos |
|---|---|---|
| Programación con agentes | GPT-6.1-Sol 69,23 | DeepSeek-V4.1-Flash-1017 65,38 |
| Razonamiento matemático y científico | GPT-6.1-Sol 76,32 | Darwin-180B-RSI-R3 73,68 |
| Control de alucinaciones | Gemini-4-Argon 83,19 | Kimi-K3.1-Pro 67,78 |
| Seguimiento preciso de instrucciones | Gemini-4-Argon y GPT-6.1-Sol empatan en 68,97 | Kimi-K3.1-Pro 44,83 |
| Contexto ultralargo | Gemini-4-Argon 95,63 | Kimi-K3.1-Pro 87,25 |
Ningún modelo barrió noviembre. El liderazgo por categoría se repartió entre dos sistemas propietarios, y el primer puesto entre los de pesos abiertos lo tomaron tres modelos distintos en ejes distintos.
El eje más difícil
El razonamiento matemático y científico separa continuar un patrón de resolver un problema hasta el final. La tabla de noviembre:
| Modelo | Desarrollador | Pesos abiertos | Puntuación |
|---|---|---|---|
| GPT-6.1-Sol | OpenAI | No | 76,32 |
| Darwin-180B-RSI-R3 | VIDRAFT | Sí | 73,68 |
| Gemini-4-Argon | No | 71,05 | |
| DeepSeek-V4.1-Flash | DeepSeek | Sí | 71,05 |
| Grok-4.7 | xAI | No | 68,42 |
| Qwen3.8-Max-0902 | Alibaba | No | 68,42 |
| GLM-5.3 | Zhipu AI | Sí | 65,79 |
| Kimi-K3.1-Pro | Moonshot | Sí | 63,16 |
| Qwen3.8-Flash | Alibaba | Sí | 57,89 |
Darwin-180B-RSI-R3 es primero entre los modelos de pesos abiertos y segundo de los 19, a 2,64 puntos de GPT-6.1-Sol y por delante de Google Gemini-4-Argon, DeepSeek V4.1-Flash, xAI Grok-4.7 y Alibaba Qwen3.8-Max. Es el único modelo coreano del tablero.
Cómo se lee el índice general
SuperCLUE asigna un puesto numerado solo a los modelos dentro de su ámbito oficial. Los modelos internacionales aparecen con un guion en esa columna como convención de clasificación, no como juicio de rendimiento. Así que la puntuación mostrada y el puesto numerado responden a dos preguntas distintas.
| Modelo | Índice general | Puesto numerado oficial |
|---|---|---|
| Gemini-4-Argon | 73,62 | guion |
| GPT-6.1-Sol | 71,76 | guion |
| Kimi-K3.1-Pro | 61,46 | n.º 1 |
| DeepSeek-V4.1-Flash-1017 | 58,95 | n.º 2 |
| GLM-5.3 | 50,66 | n.º 3 |
| Darwin-180B-RSI-R3 | 43,08 | guion |
Por puntuación general mostrada, Darwin queda noveno de 19 y quinto entre los modelos de pesos abiertos.
Mismos expertos, razonamiento reconstruido
Darwin-180B-RSI es un modelo de mezcla de expertos de 180 mil millones de parámetros con unos 3 mil millones activos por token. Heredó sus 512 expertos enrutados por capa de Qwen3.8-Flash-Next de Alibaba byte a byte y reconstruyó solo las capas de atención, la atención lineal y los expertos compartidos mediante automejora recursiva: el modelo escribe problemas, los resuelve, verifica las respuestas y se actualiza con las trazas verificadas.
Ambos modelos están en este tablero, así que la comparación es directa.
| Qwen3.8-Flash | Darwin-180B-RSI-R3 | |
|---|---|---|
| Razonamiento matemático y científico | 57,89 | 73,68 |
| Índice general | 39,81 (15.º) | 43,08 (9.º) |
Mismo conocimiento almacenado, ruta de razonamiento reconstruida: 15,79 puntos en el eje más difícil y seis puestos en el índice general.
Dónde comprobarlo y qué ejecutar
El tablero está publicado en superclueai.com. Los pesos están en Darwin-180B-RSI-R3 bajo la licencia comunitaria de Qwen, con uso comercial permitido, y la versión de 4 bits para equipos personales POCKET-Darwin-180B-GGUF funciona desde SSD en un portátil de 32 GB.
Preguntas frecuentes
¿Quién produjo estas puntuaciones? SuperCLUE, en su conjunto privado de noviembre de 2026. VIDRAFT es un modelo evaluado en ese tablero, no el operador del banco de pruebas.
¿Por qué importa un conjunto privado mensual? Un conjunto público de preguntas se filtra con el tiempo a los datos de entrenamiento. Reconstruir el examen cada mes y mantenerlo privado hace que la puntuación refleje el modelo y no su exposición a las preguntas.
¿Darwin-180B-RSI-R3 es primero en general? Es primero entre los modelos de pesos abiertos y segundo de 19 en razonamiento matemático y científico. Por índice general mostrado es noveno de 19 y quinto entre los de pesos abiertos.
¿Por qué Gemini, GPT y Darwin muestran un guion en la columna de puesto? SuperCLUE numera solo los modelos dentro de su ámbito oficial. El guion marca esa clasificación, y esos modelos siguen apareciendo con sus puntuaciones en cada comparación por categoría.
¿Qué licencia cubre los pesos de Darwin? Licencia comunitaria de Qwen 1.0, heredada del modelo cuyas capas de expertos reutiliza. Se permite el uso comercial.