国产大模型的竞争又有了新变化。Kimi K3.1 Pro 继续领跑，Qwen 4 Max Preview 已经出现，百度文心 ERNIE 5.5 Flash Preview 也冲进了榜单前列。DeepSeek V4.1 Flash 依然很强，但对手正在一个接一个追上来。
现在的看法是：Kimi 暂时坐稳第一，Qwen 4 有望排到第二；DeepSeek 能否保住第三，还要看文心的实际表现。接下来，GLM 5.5 和 DeepSeek V4.1 Pro 才是真正值得期待的变数。
Kimi K3.1 Pro：目前国产模型的第一梯队在 Artificial Analysis 的 Intelligence Index 榜单上，Kimi K3.1 Pro 以 46 分位列开放权重模型第一，DeepSeek V4.1 Flash 1017（Max）为 33 分，GLM-5.3（Max）为 32 分。至少在这个综合测试里，Kimi 拉开了明显差距。
Kimi 这次强在哪里？很大一部分来自长任务和编程。月之暗面公布的数据中，K3.1 Pro 在 Terminal-Bench 4.0 拿到 65.7%；在内部 Kimi Code Bench 3.0 Long-horizon 测试中达到 61.2%，上一代 K3 是 55.95%。
长程编程的价值，在于模型能不能连续处理多个步骤。比如接手一个项目，先读代码、定位问题、修改文件，再运行测试和处理报错；中间出现新的问题，还需要继续调整。任务越长，越能看出模型在执行和纠错上的差距。
图片来源：月之暗面，Kimi K3.1 Pro 发布文章
Qwen 4：有实力竞争第二，挑战 Kimi 还需要再进一档
Qwen 4 Max Preview 已经进入部分用户的视野。从目前的体验判断，Qwen 4 的能力在 DeepSeek V4.1 Flash 之上，冲击国产第二很有希望。
但在 Kimi K3.1 Pro 面前，Qwen 4 的编程表现仍有差距。X 用户 SuSu_酥酥分享的一组代码修复测试给出的总分是：Kimi 75 分，Qwen 4 Max Preview 49 分。
这组测试把功能与状态安全、完成度与交付、可用性、运行性能分开评分。其中，功能与状态安全分别为 25 分和 16 分，完成度与交付分别为 22 分和 13 分。差距主要体现在能否把修复工作完整、稳妥地交付。
Qwen 4 想拿第一，光有不错的单项表现还不够，长任务中的稳定性和交付质量也得跟上。考虑到它要面对的研发和竞争压力，短期直接坐上第一的位置，难度不小。
DeepSeek V4.1 Flash：第三还是第四，要看文心能否站稳DeepSeek V4.1 Flash 仍然是国产模型里的强力选手。10 月 17 日更新的版本，在代码任务上继续提升；阿里云的模型介绍提到，它针对终端任务、软件工程和程序设计等方向做了强化，并保留 100 万 token 上下文。
不过，面对 Kimi K3.1 Pro，DeepSeek 目前的 Flash 版本已经不在榜首。Qwen 4 如果保持现在的竞争力，DeepSeek 更可能处在第三的位置。
百度文心 ERNIE 5.5 Flash Preview 则是排名里的另一个变量。一份 Open Models 名单里，文心排在 Kimi K3.1 Pro 之后、DeepSeek V4.1 Flash 之前。如果文心后续在实际使用中也能站稳前三，DeepSeek 就可能被挤到第四。
文心的榜单成绩可以关注，但对它还要多看实际体验。跑分高是一回事，面对复杂项目能不能持续完成任务、结果能不能直接使用，又是另一回事。百度过去的产品表现让人很难只凭一张成绩单就完全放心。
下一轮变数：GLM 5.5 与 DeepSeek V4.1 Pro目前的排名只是眼前的局面。真正有机会冲击 Kimi 的，还要看 GLM 5.5 和 DeepSeek V4.1 Pro 后续会拿出什么样的表现。
GLM 这一代已经把模型推到了国产第一梯队。下一代如果在复杂编程、工具调用和长任务稳定性上继续提升，就有机会冲击更高的位置。
DeepSeek 也一样。现在大家讨论的主要是 V4.1 Flash，后续的 V4.1 Pro 更值得关注：如果旗舰版本在复杂推理和代码任务上拉开与 Flash 的差距，国产第一的位置就会重新变得热闹。
现阶段更看好 Kimi 保持领先，Qwen 4 竞争第二，DeepSeek 和文心争夺接下来的位置。再往后，GLM 5.5 和 DeepSeek V4.1 Pro 都有机会成为新的国产大哥。