ARTICLE · 1378206
八款办公 AI 交同一份月报,文档类豆包第一,数据分析得换人
被人问得最多的一句是:这几家办公 AI,到底该选哪个。
说实话,这个问题我答不了。
因为上周我看了一份榜——中文语言理解测评机构 SuperCLUE 十月的办公智能体测评,八款国产办公 AI 跑同一批活。看完我把嘴边那个名字咽回去了。
排上去是这样的:豆包工作 85.33,第一。Kimi Work 84.57,第二。WorkBuddy 83.99,第三。百度搭子 82.68,第四。
前四名,差 2.65 分。
2.65 分是什么概念?
换成你自己那份月报、那张报销汇总表,这个差距大概率被抹平。决定结果的,是你手上这摊活长什么样。
所以这篇不排序。我只回答三件事:这榜测的到底是什么,你该按什么派人,那些数字哪里最容易看错。
同一批活、同一批交付物,这才是能比的地方
先说它测谁。
测的不是模型,是产品。八款办公 AI 各自接同一批任务,13 个二级任务,分成三类活:文档处理、数据分析、材料撰写。
交出来的东西得能打开、能接着改——Word、PPT、Excel、图表,缺一样就算没交付。你看,这个判法挺实在的,它不管你说得多好,只管东西交没交出来。
判分分两段:脚本先查格式占 10%,裁判模型按 7 到 12 条细则逐条打占 90%。
细则盯的是五件事:文件读得进、存得出、还能接着改;跨文件取数和计算对不对;模板、字段、页数这些约束守没守住;内容够不够专业;有没有越出授权范围。这几样,正好是返工最常出在的地方。
还有一条规则我觉得最狠:超过两小时还没有效输出的任务,直接算失败。
这条比分数更能说明问题——它筛的不是水平,是事情有没有做完。
按你手上那摊活派人,四行就够
那到底怎么选?
别按总分选,按你那份活落在哪一栏选。
这张表可以直接抄走,填自己的活。
真要定下来,别只看表。拿同一份月报、同一份数据,给两家各跑一遍,比看十张榜都准。
第三行我想多说一句。它看着像废话,其实是踩的人最多的一格:为 2.65 分换一套工具,全组重新适应一遍,这笔账算不过来。
第一名只在一个维度上第一
那第一名是不是全能?
不是。
豆包工作文档处理 87.12,第一。数据分析 81.50,排第三。材料撰写没进前三。
Kimi Work 正好反过来:文档处理没进前三,数据分析 88.00 第一,材料撰写 88.33 第一。
千问办公材料撰写 88.08 排第二,可总分 78.38 只在第五。
三个维度的第一名,不是同一家。
一份总分榜最会藏的就是这件事。它把三样活压成一个数,而你的活从来不会平均分成三份。
排名盖住了三件事
第一件,总分是加权的。测评方自己在说明里写了:文档处理占 50%,数据分析 25%,材料撰写 25%。
也就是说,文档强的产品,总分天然占便宜。你天天做数据、月月写材料,这个总榜跟你关系没那么大。
而且有一块它没测:内网连不连得上、审批要不要走流程、哪些文件不许往外发。这三样不过关,分再高也白搭。
第二件,回复率是隐形的一票。测评方的说明里,八款有四款回复率 100%,四款不到 95%,有的低于 85%,纳米 Work 只有六成多。
回复率低是什么意思?有一批任务它压根没交东西。没交,就没分。
你排队的时候,可能根本轮不到它上场。
第三件,10% 和 90% 这个分法,是这套测评自己的评分方法,不是行业里的通用规矩。脚本只管格式,内容好坏靠裁判模型按细则打,细则 7 到 12 条;伪造关键事实、核心误导,还要按 0 到 −4 档倒扣。
小数点后两位的差距,别当精密仪器读。
我家产品排第三,这句得我自己说
WorkBuddy 83.99,第三。它在我们自己家的产品线里。
我把它照抄进榜,但不替它说话。它文档处理 82.45 排第三,数据分析 86.13 排第二——你要正好是这两种活,可以放进候选;只占一种,按上面那四行挑就行。
还有一层得说清楚:这是一家测评机构拿自己的题库跑出来的榜。它能告诉你八款产品在同一套题下的相对位置,但代替不了你拿自己那份真的月报、真的报销表去试一遍。
八款最高和最低差 32.20 分。这个赛道还没拉开到能闭眼下单的程度。
排名是别人的,活是你自己的。
明天说另一件事:公司买了 AI 账号,一年下来还是那几个人在用,问题不在账号上。















































































