5月28日，博睿数据发布《2026年5月中国主流大模型API服务性能及综合表现测评报告》。这份基于超1900次真实环境调用的测试，覆盖DeepSeek、豆包、Kimi、腾讯、智谱、通义千问等7款主流模型，横跨代码生成、数学推理、任务规划、幻觉控制四大核心场景。结论很清晰：没有全能冠军，只有场景专家。
DeepSeek-v4-pro凭什么拿下综合第一？
DeepSeek-v4-pro以81.1分的综合评分居首。代码生成首字响应仅0.353秒，数学推理场景83.9分，任务规划场景88.1分，三大场景均处于头部。更关键的是Token消耗——单次调用平均2680个token，仅为通义千问Qwen3.6-plus（4930个）的54%。对于需要大规模调用的企业来说，这个差距直接转化为真金白银的成本优势。DeepSeek-v4-flash的任务规划评分也达到88.0分，仅比Pro版低0.1分，但价格更低，堪称性价比之王。
豆包、腾讯、智谱各擅胜场
代码生成是豆包的领地。Doubao-Seed2.0-pro以85.7分的场景评分和88.3分的质量评分拿下代码生成双冠王，服务可用率100%，适配高复杂性开发需求。腾讯HY2.0 Think的生成速度达到136.23 tokens/s，是7款模型中最快的，适合需要高速输出的实时场景。智谱GLM-5.1在任务规划中质量评分84.3分全场最高，总耗时仅61.274秒，延迟表现最好。
不过这三款模型在非优势场景的表现并不突出。豆包数学推理78.7分落后DeepSeek 5分以上，腾讯Token消耗4567个是DeepSeek的1.7倍，智谱在代码生成和幻觉控制场景缺少突出数据。报告揭示了一个现实：每个模型都有”天灵盖”，也都有”软肋”。
Kimi幻觉控制全场第一，但稳定性成短板
Kimi K2.6 Thinking在幻觉控制场景拿到90.0分，面对未知问题时输出审慎、捏造概率最低，适合金融咨询、知识问答等高严谨性场景。腾讯HY2.0 Think以85.6分紧随其后，同样处于行业上游。
然而Kimi的服务可用率在代码生成场景仅50%，高峰期超时严重，复杂场景可用率跌破70%。这让Kimi陷入一个矛盾：质量最高，但可靠性不够。企业不敢在核心业务上押注一个随时可能超时的模型，这是Kimi必须解决的硬伤。
企业选型指南：按场景而非品牌选模型
报告的行业趋势判断非常明确——大模型能力已从”通用竞争”转向”场景分化”：代码开发选豆包（85.7分），数学推理选DeepSeek（83.9分），复杂任务规划选DeepSeek系列（88.1/88.0分），高严谨内容输出选Kimi（幻觉控制90.0分），全场景均衡选DeepSeek-v4-pro（综合81.1分、Token消耗最低、稳定性突出）。
Token效率和可用率正在取代”参数规模”，成为企业选型的新核心指标。同等任务下不同模型的Token消耗差距可达数倍，规模化运营后成本差异尤为显著。
中国AI模型调用量在5月首周达到7.94万亿token，首次反超美国的3.76万亿。API测评报告的发布意味着大模型竞争正式进入”场景为王”阶段。此前DeepSeek已登顶全球AI调用榜，Anthropic估值也首次超越OpenAI。谁能把特定场景做到极致，谁就能赢得企业客户。
