用过kimi，再用橙篇，终于知道大模型“卷应用”是什么|ai|kimi|卷应用|大模型|大语言模型|学术|橙篇|百度

编者按：

2023年，从百度文心一言开始是中国大模型的井喷之年，国内众多企业与研究机构竞相发布大模型，市场呈现一片繁荣景象，但同质化竞争日益严重，随着2024年价格战的蔓延，百度喊出了“卷应用”的声音，希望业内从单纯追求模型规模转向关注模型的实际应用价值和用户的深度需求。

（刊图由文心一言生成）

在科技日新月异的今天，内容创作工具也在不断迭代升级，为创作者带来更加便捷、高效的创作体验。作为一名长期关注并实践内容创作的科技作者，我有幸体验了两款颇具代表性的产品：Kimi和百度橙篇，分别在最火热的新能源和新材料领域，进行专业查询和专业课题研究的测试。

在对比使用过这两款产品之后，我深刻体会到了为创作者所带来的自由、便捷与沉浸式创作服务，尤其是在满足科研、学术等专业领域一站式创作的深度需求，就是“卷应用”的最直接的一种表现。

写研报

一款给力的生产力工具

我们认为，考察一款工具是否具备写研报的能力，着重需要考察，研究课题的结构完整、逻辑缜密、数据准确、生成流畅、操作简单。

于是我们选择最科技前沿的课题：

新能源汽车行业发展趋势深度分析报告：现状、技术革新、市场趋势与政策环境展望。

首先使用KIMI进行写作。

Kimi只能提供最基本提纲，形成完整的报告，但是不代表Kimi没有归纳写研报资料的能力。只是通过Kimi写研报，需要很多步骤：

这里需要解释下，由于Kimi并不能直接生成完整的报告，所以需要按照提纲不断Prompt,生成段落，然后由使用者将这些段落串联起来。根据提纲，结构的完整可以保障，但内容的逻辑性和观点的创新性，全需要创作者花费大量的时间和经验。

于是我们使用橙篇进行写作

第一步，打开百度橙篇https://cp.baidu.com/

第二步，点击课题报告，输入研究课题。

第三步，点击生成长文，等待10分钟。(看样子的确需要消耗不少算力，不过没问题，不是30分钟或者更长)

第四步，打开报告，即可。

我基本可以肯定用过的人，只有两种感受：惊诧和惊喜。

这绝对是一份可以成为范例的研报，总计23024字，在左侧结构严谨的罗列着整个研报的逻辑架构，总计分为，摘要、技术革新与突破、市场趋势预测、政策环境支持、基础设施进展、产业链协同与整合、消费行为与市场需求、未来展望与策略八个板块，结构还有参考信息和信息来源。

由于过于强大，无法一一做详细的介绍，挑最简单的摘要来看一下。摘要分成三个部分：分别介绍了新能源汽车的销售现状、主要市场分布和特点以及消费消费者接受度分析，之所以在摘要中体验，首先我们研究的对象是新能源汽车现状，所以橙篇认为，新能源汽车的销售、市场特点以及消费需求对于读研报的人来说是最重要的，因此，在摘要中简明扼要且一语中的地提出来。

这一点，真是不服不行。

我们来看数据准确性，所有数据来自最新的资料，最新的居然是7月14日，如下图。

这里还需要强调的是，在生成研报前，橙篇会首先生成研报的逻辑框架，创作者可以自由修改，橙篇会根据新的框架进行生成。（简直不要太强大了）

当然强大的编辑功能是必不可少的，全文校正、格式整理。。。。。。凡是你需要常规操作都具备，丰俭由君还免费。

结论：

Kimi与橙篇在撰写研究报告中的差距显著。Kimi虽能生成基本报告框架，但内容相对简短且局限于互联网公开信息，难以支撑深度分析和专业见解。而橙篇依托强大的AI技术和专业资料库，不仅能生成逻辑严谨、内容翔实的长文报告，还支持多模态创作和深度编辑，满足专业科技作者对研究报告的高标准要求。橙篇的综合性能力远超KIMI，成为撰写高质量研究报告的理想选择。

一个高效完美的助手

专业科技作者查专业资料的重要性不言而喻。它不仅能够帮助作者确保内容的准确性和权威性，还能够提供最新的科研成果、行业动态以及专业见解，从而使作品更加丰富、深入且具有前瞻性。通过详尽的资料查阅，科技作者能够更好地把握领域内的发展脉络，避免误导读者，同时提升自己的专业素养和写作能力。

于是依然选择了最科技前沿的课题：

新能源材料发展与应用的最新研究报告和文献摘要，对Kimi和橙篇进行新的测试。

使用KIMI查询

结果大多来自网络报道，

使用橙篇查询

发现橙篇有两个选项，学术搜索和AI全国搜索点击学术搜索。

先点击学术搜索。

再试试点击全网搜索

由于Kimi没有专业的学术搜索，我觉得有必要对全网搜索和专业学术搜索做一别比较和说明。

全网搜索和专业学术搜索主要在搜索范围、目标受众、信息类型以及搜索算法上有所不同。

搜索范围：全网搜索旨在覆盖互联网上的广泛信息源，包括网页、社交媒体、新闻、博客、论坛、视频等多种类型的内容。专业学术搜索，专注于学术和科研领域的文献资料，包括期刊文章、会议论文、学位论文、专利、技术报告等。

目标受众：全网搜索面向一般公众，满足大众的日常信息需求，如新闻浏览、购物查询、娱乐信息、生活指南等。专业学术搜索主要服务于学生、研究人员、学者和专业人士，他们需要深入且可靠的研究资料。

信息类型：全网返回的结果可能包括各种格式和可信度的信息，从个人博客到权威网站，从商业广告到用户评论。专业学术搜索返回的是经过同行评审的学术内容，确保信息的质量和学术价值。此外，可能还包括引用分析、作者信息、出版物统计等元数据。

搜索算法：全网搜索通常会考虑诸如网页的流行度、链接结构、关键词匹配等因素，有时也会使用AI技术来理解搜索意图和上下文，提高搜索结果的相关性。专业学术搜索除了基本的关键词匹配，还可能使用特定的文献计量学原理和算法，如洛特卡定律、布拉德福文献分散定律、齐普夫定律等，来优化搜索结果，使其更符合学术研究的标准。

综合比较，AI全网搜索更加广泛和通用，适合日常生活和工作中的信息查找；而专业学术搜索则更加专注和精确，适用于学术研究和专业领域的深入探索。学术搜索工具往往具备更专业的过滤和分析功能，帮助用户在海量的学术文献中高效地找到最相关和最权威的资料。

结论：

Kimi与橙篇在专业查询中存在显著差距。Kimi虽然能够处理多种文件格式并进行信息检索，但其资料多来源于互联网公开内容，对于专业、深度的学术资料支持有限。相比之下，橙篇依托百度文库、百度学术及全网数十亿的专业信息和资料，提供AI全网智能检索和学术检索功能，资料丰富且实时更新，更能满足专业科技作者在科研、学术等领域的高精度查询需求。橙篇的专业查询能力显著优于Kimi，成为专业创作者不可或缺的助手。