评测大模型时，「中文能力」常常被一句「它中文说得挺流利」带过。但流利只是及格线。真正决定体验的是更细的东西：它写的中文有没有翻译腔？懂不懂中文语境里的文化常识和分寸？能不能按你的格式要求老老实实输出？处理长中文文档时组织得清不清楚？这些「说得好不好」的差异，往往在流利的表面下被忽略，却直接影响它能不能真正用在中文场景里。
这篇文章拆解中文能力该测的维度，并给出 10 类可以自己动手跑的真实测试任务。它是《如何评测一个大模型》方法论在中文场景的具体化——别只看榜单分数，用真实任务测出模型的真实中文水平。
中文能力不是「说得流不流利」一个维度，而是地道、常识、格式、组织等多个维度的合力。
中文能力该拆成哪些维度
先明确要测什么，再谈怎么测：
- 语言地道度：中文自然不自然、有没有翻译腔（「让我们」「这是一个……的存在」「众所周知」这类味道）；
- 文化与常识：懂不懂中文语境的习俗、历史、网络文化、分寸感；
- 指令与格式遵循：能不能严格按中文格式要求（字数、结构、称谓、语气）输出；
- 长文组织：处理长中文文档时，摘要、改写、结构化的质量；
- 专业与术语：中文专业领域（法律、医疗、技术）的术语准确性；
- 拒绝与安全：面对中文语境下的敏感、诱导性提问，处理得当不当；
- 口语与方言：能否理解口语化、地方化的中文表达。
注意，很多英文强的模型在「语言地道度」和「文化常识」上明显吃亏——它们的中文是「翻译过来的正确」，而非「原生的自然」。这正是国产模型常有的主场优势，也是最该重点测的地方。
「翻译过来的正确」和「原生的自然」之间的差距，藏在地道度和文化常识这两个维度里。
10 类可复现的测试任务
拿这 10 类各准备几道真实题目，就能组成一份务实的中文评估集。每类都说明「测什么」和「怎么看好坏」。
1. 地道改写：测翻译腔
给一段带明显翻译腔的中文，让模型改得自然。看：改完还剩不剩「机翻味」，是不是真的像中文母语者写的。这是区分「中文好」和「中文正确」最有效的一题。
2. 文化常识问答
问一些中文语境特有的常识：节气、俗语的准确含义、历史典故、称谓礼节。看：答得对不对，有没有张冠李戴或用英文思维硬套。
3. 严格格式遵循
给明确的中文格式要求（「写一份 200 字以内、包含三个小标题、结尾带一句提醒的通知」）。看：字数、结构、要素是否一丝不苟地满足——这也考指令遵循，中文场景尤其考。
4. 长文摘要与结构化
给一篇几千字的中文文章，让它摘要或提炼要点。看：有没有抓住重点、有没有遗漏或编造、中文表达是否凝练。这也顺带测长上下文的信息利用。
5. 中英混合与翻译
给中英夹杂的文本处理，或做中英互译。看：术语翻译准不准、语序自不自然、专有名词处理得当不当。
6. 专业术语准确性
在你的专业领域（法律条款、医学名词、技术术语）出题。看：术语用得对不对，有没有幻觉出不存在的概念。这一类务必交叉核对。
7. 口语与网络语理解
给口语化、带网络流行语或地方表达的输入。看：能不能正确理解言下之意，而不是按字面死解。
8. 语气与角色扮演
要求用特定语气写（正式公文、亲切客服、俏皮营销）。看：语气拿捏准不准，能不能在中文里自如切换风格。
9. 中文推理与文字题
出中文应用题、逻辑题、文字游戏（对联、藏头）。看：既考推理，也考对中文文字特性的把握。可搭配推理模型专门测。
10. 敏感与拒绝处理
用中文语境下的诱导性、敏感提问测。看：该拒绝的拒不拒绝、拒绝得体面不体面，有没有被中文话术绕过。
10 类任务里，「地道改写」和「文化常识」最能拉开原生中文模型和「翻译式中文」模型的差距。
怎么打分
- 有客观答案的（3/4/6/9 部分题）：直接对错、算准确率；
- 偏主观的（地道度、语气、翻译质量）：用评分维度人工打分，或用一个强模型当裁判按标准评分——但中文地道度这类，最好有中文母语者抽查校准，因为模型裁判自己也可能有「翻译腔盲区」；
- 务实组合：客观题自动化跑，主观题小批人工精评，兼顾规模和可信。
关键是控制变量：同一批题、同样的参数（固定 temperature）、喂给不同模型，横向对比。
适用人群与替代方案
适合要为中文产品选模型的团队，尤其是内容、客服、办公、教育等对中文质量敏感的场景。如果你只想快速了解梯队，可以先看站内的 顶级大模型横评和国产 AI 工具测评缩小范围，再用上面的任务清单做贴合自己场景的最终验证。
一个重要提醒：通用榜单大多以英文任务为主，中文能力经常被低估或测不到位。一个综合榜单排名靠后的模型，可能中文反而更地道、更懂本地语境。所以中文场景选型，尤其不能只看综合榜单，必须自己测中文。
常见问题
Q：国产模型的中文一定比国外模型好吗？ A：不能一概而论。国产模型在中文地道度、文化常识、本地语境上常有优势，但在某些复杂推理、代码、专业英文任务上可能弱一些。到底哪个好，取决于你的具体任务——所以要自己测，别凭印象。
Q：中文能力测试需要很大的评估集吗？ A：不需要。上面 10 类各准备 2–3 道有代表性的真实题，二三十道就能看出明显差异。质量比数量重要，题目要贴合你的真实使用场景。
Q：怎么快速识别翻译腔？ A：留意几个信号——滥用「让我们」「值得注意的是」「在……的世界里」、长定语从句套娃、被动句过多、逻辑连接词生硬。让模型做「地道改写」任务，这些毛病会集中暴露。
小结
测中文能力，别停在「说得流不流利」。要拆成地道度、文化常识、格式遵循、长文组织、专业术语、拒绝处理等维度，用 10 类真实任务去测——其中「地道改写」和「文化常识」最能照出「原生中文」和「翻译式中文」的差距。方法上控制变量、客观题自动化、主观题人工校准。最重要的一条：通用榜单测不出你要的中文水平，中文场景选型必须自己测中文。