彭博说中美 AI 差距只剩 3%：这个数字是怎么算出来的，又漏掉了什么

Mon, 05 Oct 2026 13:09:33 +0800

本文基于凤凰网科技对彭博行业研究报告的转述写成（彭博原报告在付费墙内，我没拿到）。文中 LiveBench 榜单数据（分数、排名、Agentic Coding 分项、每成功任务成本）由我在 livebench.ai 官网于 2026-10-05 抓取核对；榜单持续变动，不同时点快照排名可能不同——凤凰网转述的「全球第六」对应彭博报告引用的更早快照，我核到的是第 7。转述口径与原文如有出入，以彭博原报告为准。

10 月 5 日周一，彭博行业研究（Bloomberg Intelligence，彭博社旗下研究部门）高级分析师 Robert Lea 发布了一份注定被反复引用的报告。据凤凰网科技转述，其核心结论一句话就能说完：DeepSeek 9 月发布 V4.1 Flash 之后，中国顶尖模型在基准测试得分上仅落后美国竞争对手 3%。

真正扎眼的是缩小的速度。Lea 给出的轨迹是：今年年初差距约 15%，5 月份收窄到 9%，现在 3%。九个月，差距缩到原来的五分之一。

具体到分数：DeepSeek V4.1 Flash 在 LiveBench（一个持续更新的大模型能力评测基准，用问答和任务表现给模型打分，思路类似测人类智商）上拿到 81.1 分；榜上最高的 Anthropic 模型是 Claude Fable 5.1，83.4 分。83.4 对 81.1，分差 2.3 分，占 83.4 的 2.8%，四舍五入就是那条新闻标题里的「3%」。Lea 的原话是，DeepSeek 的表现已经「可以与 Anthropic、OpenAI 的领先 AI 系统相媲美」。

这是自 2025 年 DeepSeek 靠推理模型 R1 一战成名以来，中国模型拿到的最高榜单位置。

数字都是真的。但我把这份报告翻来覆去读了几遍，觉得比「3%」本身更值得写的，是这个数字没说出口的另外几件事。

3% 是怎么算出来的

先看口径。3% 不是「中美所有模型平均差 3%」，而是两家旗舰在单一基准上的分差：DeepSeek 最强的 V4.1 Flash，对 Anthropic 最强的模型，在 LiveBench 一个榜单上，差了 2.3 分。

这个口径有几层要掰开看。

最明显的一层：LiveBench 测的是「答题能力」，推理、数学、coding（编程）问答这类可以标准化评分的任务。它不测 Agent（智能体）能力，不测长程任务执行，不测产品化程度。一个模型在 LiveBench 上逼近对手，和在真实工作流里逼近对手，是两回事。

再看旗舰对比这个口径本身，它天然放大追赶速度。头部实验室的旗舰互相咬得很紧是全球现象，OpenAI、Google、Anthropic 自己也常常只差一两分。旗舰分差 3%，说明第一梯队入口摸到了，离「梯队整体追平」还有距离。

还有半句，是凤凰网那篇转述里最容易被滑过去、但我读着最扎心的：LiveBench 评选的前 15 个模型中，只有 3 个来自中国。

这半句和「3%」放在一起读才有味道。我去 LiveBench 官网核了当前榜单（10 月 5 日抓取），前 15 名的中国模型是三个：DeepSeek V4.1 Flash（第 7）、Kimi K3（第 12）、Qwen 3.8 Max（第 14）——和凤凰网转述的数字对得上。但同一个榜单的前 6 名里，Anthropic 占了 3 席、OpenAI 占了 2 席、Meta 的 Muse Spark 1.3 占 1 席。

也就是说，3% 这个数字描述的是「一家的头号种子」，而「3 席」描述的是「几家挤进决赛圈」。前者是深度，后者是厚度，两回事。一个队的头号种子打进了决赛圈，和一支队伍整体进了八强，是两种「差距」。

Agent 榜单上，是另一幅图景

我原本以为换个榜单会看到「中国 Agent 落后更多」，结果两次看到的是相反的答案。

先看 LiveBench 自己。榜单除了总分，还拆出 Reasoning、Coding、Agentic Coding（Agent 化编程）等七个维度。在 Agentic Coding 这一列上，DeepSeek V4.1 Flash 拿到 77.3 分，是全场最高——比总榜冠军 Claude Fable 5.1 的 66.1 高出 11 分，比 Claude 5.5 Opus Thinking 的 71.7 也高。而同一个模型在 Reasoning 列上是 86.7，明显低于 Anthropic 那几个 92 上下的模型。

再换 datalearner 的 Agent 榜（汇总 Terminal-Bench 4.0 等工具型基准），图景又反过来：国内排名最高的智谱 GLM-5.3 拿 41.82 分排总榜第 21 位，DeepSeek-V4.1-Flash 是 26.80，V4-Pro 只有 14.60——国内旗舰之间就差着近三倍。

同一个模型、同一类能力，两个榜单给出相反的结论。这恰恰说明问题：**「答题分差 3%」和「干活能力差距」不是同一个变量，而「Agent 能力」本身也不是一个变量。**你选哪个基准、哪个时间点的快照，决定你看到的是领先还是落后。2026 年 AI 商业化的主战场恰恰在后者：Agent、长程任务、工具调用，那里还没有一个大家都认的单一分数。

有意思的是，LiveBench 考「脑子」，VISTA 这周刚刚证明连「脑子」都可以靠外挂抬分；Agent 榜考「手眼配合」，那里暂时还没有外挂的神话。哪个更接近真实能力，读者可以自己掂量。

追赶是在什么约束下完成的

抛开榜单之争，这份报告里我认为最值得尊重的是追赶发生的条件。

Lea 在报告里把中国模型的进步归因于两条：AI 专业能力的深化，以及研究人员针对国产硬件优化模型的能力。翻译一下：这是在出口管制收紧、顶级芯片受限的前提下完成的追赶。年初 15% 到现在 3% 的斜率，是在「算力条数被卡着」的情况下跑出来的。

追赶是在什么约束下完成的，这件事在成本列上看得最清楚。LiveBench 榜单最后一列是「每个成功任务成本」，同一张表上：DeepSeek V4.1 Flash 是 0.029 美元，榜上最贵的 Claude Fable 5.1 是 1.212 美元——42 倍。连 OpenAI 的 GPT-6.1 Sol（0.142）和 Google 的 Gemini 3.7 Flash（0.157）都在 DeepSeek 的五倍以上。

价格能压到这个程度，说明中国团队在同等算力下榨出了更高的效率，这也是为什么「出口限制是否有效」会成为报告的质疑点：管住了芯片的条数，没管住算法的效率。

但约束同样是真实的。同一时间窗里还有另一条新闻线：朝鲜日报中文网转引路透的报道提到，市场传闻 DeepSeek 下一代模型的训练动用了英伟达最新芯片，而智谱 AI 的股价一度因此暴跌 23%。资本市场在中国 AI 叙事里同时定价着「追赶」和「卡脖子」两个方向，谁也不肯松手。训练芯片从哪里来、昇腾生态能不能接住下一代模型，这些问题的答案会直接决定下一条追赶曲线的斜率。

「差距」这个词什么时候会失效

回到标题的问题：这份报告该怎么读。

我的读法是把它拆成三个不同的「差距」，别混着谈：

基准分差：旗舰对旗舰、单一榜单，这个差距是 3%，而且大概率还会继续收窄，因为追赶方在效率路线上还有空间，领先方的旗舰迭代节奏也没慢下来。

梯队厚度：前 15 名里 3 个中国模型，这个差距远没有 3% 那么乐观。头部一家的突破带不动整个名单，而生态厚度决定了容错率：一家公司的节奏波动，不该变成一个国家的排名波动。

变现能力：Lea 自己在报告结尾提醒，无论排行榜怎么排，「变现都可能很困难」。这句话对两边都成立。分数领先不等于收入领先，任务成本 42 倍的差距既是效率的证明，也是定价权的现实——一个模型再强，如果单次任务贵 40 倍，商业化就是另一道题。基准榜上的「抹平」和财报上的「抹平」之间，还隔着一整个商业化。

所以「中美 AI 差距只剩 3%」这个说法，准确的版本应该是：**在 LiveBench 这张答题榜上，两家旗舰的分差是 3%。**它是真的，值得记录，但它丈量的只是一条边。

什么时候「差距」这个词会失效？大概是当一篇报告不得不同时交代三件事：旗舰分差、前十五名名单，以及谁靠这东西赚到了钱。而读者不再只记住第一个数字的时候。

参考来源