最近AI办公这条赛道，在WorkBuddy跑出来后，肉眼可见的热闹起来。
阿里整合了QoderWork、悟空、MuleRun三个智能体，端出一个千问办公；字节把飞书并入豆包后，刚上线了工作任务模式，AI在虚拟桌面能像人一样查看电脑屏幕、移动鼠标、点击按钮、敲键盘，在电脑端操作Windows，果然还是对GUI路线爱得深沉。
这两天，华尔街投行杰富瑞（Jefferies）发了一份AI研究报告《China AI：US AI Cutting Prices》，除了跟踪模型智能排名与API价格变化外，还拿出相当篇幅，做了一件很少有机构做的事：
对中美市面上8款主流AI Agent产品进行了五项实测，并给出量化评分。
结果让人有点意外。
千问办公95分登顶，以微弱优势超过Claude Cowork和codex；WorkBuddy66分，跟谷歌Gemini Spark 分数一样，并列倒数第一，排排坐到小孩座；豆包77分，路边一条。
报告说，千问办公的底座模型智能分只排第四，但 Agent总分拿了冠军，所以核心结论是，“决定 Agent好不好用的是Harness，不是模型。”
Harness对于模型后训练能力提升和使用体验的重要性，早就是行业共识，这大结论虽然有点废话，但看着没毛病。
不过，浪哥有个习惯就是不只看结论，还要仔细看测试内容，结果这一看，却有了不一样的发现：
测试这玩意儿跟统计有点像，真是一门艺术呐。
我们一个个看。
这测试有五项，每项满分100，等权20%，加权平均就是总分。把千问办公和WorkBuddy的逐项成绩放一起看，就能看出玄妙之处。
测试一，多文件检索取证。任务是给一堆财务文件，写一页年报摘要，每条事实必须标来源，数字打架必须指出矛盾。这是有硬标尺的活儿，数字对就是对，错就是错。
结果是千问95，WorkBuddy95。
测试二，自主联网研究。任务是上网比较微软、Meta、谷歌三家的营收增速和资本开支，产出一张表，区分官方数字和自行估算。同样是有客观标尺的任务。
千问90，WorkBuddy90。
两项有客观标准的任务，千问和WorkBuddy分数完全一样。
然后看测试四，做一份五页的英文PPT。千问95，WorkBuddy80，差15分。
测试五，做一张营销海报。千问95，WorkBuddy 65，差30分。
PPT做得好不好，海报有没有创意，没有客观标准，打分的弹性空间比较大。评分细则没公开，盲评机制没说明，评分者一致性没有披露，这45分的差距从哪来的，没法验证。
但最有意思的，还是藏在中间的测试三。
测试三的任务是，让AI使用真实的桌面浏览器，从 OpenAI官网首页一路点进去，找到新闻页面，打开最新一篇文章，读完全文，输出一个包含标题、日期、分类、链接、摘要和要点的Word文件。
重点来了。规则明确写着，不许用API，不许用爬虫，必须真的操作浏览器去点。
这一项测试，千问办公拿了100分的满分，WorkBuddy跟MiniMax Code一样，都喜提零分。
看到这里，你浪哥笑了。
禁止API接口、必须点浏览器，这是人为把最优解砍掉，专门去测一个特定技术路线。这就是把“办公 Agent好不好用”，偷换成了“你家Agent有没有做 computer-use视觉操控”，但这跟“能不能做好办公任务”有毛关系呢？
就好比要考一个翻译的英语水平，但规定只能用手语表达，不许开口说话。
WorkBuddy走的是接口+生态集成路线，深嵌腾讯文档/企微等腾讯生态，靠连接器而非模拟点击去操作，靠API和MCP调用外部服务。现在这道题，把接口这条路直接堵死，只允许用视觉操控，接口派选手肯定直接归零。
倒是豆包，绝对要后悔读屏功能上晚了，没赶上趟，起个大早赶个晚集，很是可惜。
所以归因分解之后，千问成了大赢家，在两道能客观验证的测试上，跟WorkBuddy打平了，两道主观评判的测试上，比WorkBuddy多了9分，在一道“禁止用你最擅长的方法来做事”的测试上，WorkBuddy得了0分，千问得了满分，又拉开20分差距。
浪哥最近喜欢看一个厨艺综艺《一饭封神2》，这个测试看下来，感觉workbuddy真不容易，就像你去参加厨艺比赛，前两道菜评委说味道一样好，第三道菜规定不许用明火，只能用微波炉，你没有微波炉，零分。第四道第五道是摆盘比赛，评委觉得对面的盘子更好看，你又输了45分。总分出来，你是最差的厨师。
很多人说综艺节目有剧本，但估计没有任何一个综艺的剧本敢这么写。
而且这份报告里还有一个非常有趣的细节，提到了各家Agent的交付速度，在国内的办公AI里，WorkBuddy全场最快，千问办公全场最慢。
但是呢，交付速度不在评分维度里面。不算分。
所以WorkBuddy干活最快这件事，在办公场景里当然很重要，但却进不了这套评价体系，就像一个大厨，风风火火把菜端出来，评委说小伙子你出餐速度挺快嘛，但我们今天不对外营业，比赛不考这个哦。
看到没朋友们，测试就是这么一门博大精深的艺术，学吧，学无止境，太深了。
这让浪哥想起一个老笑话。怎么证明大象是世界上最好的动物？很简单，出一份五项全能测试。第一项，体重。第二项，鼻子长度。第三项，耳朵面积。第四项，皮肤厚度。第五项，象牙质量。鲸鱼体重比大象重？对不起，这项规定必须在陆地上称。
只要定语足够多，谁都能拿第一。
当然，千问办公肯定是不错的产品。在两项客观任务上拿了95和90的高分，比豆包有一项拿了45分，不知高到哪里去了，这个没有争议。但一份评测的价值，取决于它能不能经得起拆开打量，很明显，这个不行。
不过虽然有点离谱，但考虑到是杰富瑞做的报告，倒也说得通。
杰富瑞刚发了一份看多阿里的投资报告，看涨45%，叙事线就是“阿里AI双轮驱动”，这时候再出一份评测，证明千问办公是全球最好的AI Agent，故事就讲圆了。
最近AI行业都在强调产品和大模型之间，可以形成一个互相促进、彼此强化的协同飞轮。看上去，杰富瑞也学会了这一套协同飞轮了，买入评级配合评测报告，一套动作衔接起来，确实是无比丝滑。
热门跟贴