7 款写同一段业主发言：5 款挤在 7.5 分

这场横评怎么做的

林晓是阳光花园小区的社区志愿者。9 月 19 日（周六）下午，她要在一场楼道堆物整治业主议事会上开场发言，听众是平时都认识的小区业主，街道只给了主持人 3 分钟。

7 款桌面办公 Agent——WorkBuddy、豆包、千问办公、CatPaw、TeleAgent、百度搭子、ZCode——吃同一段口令 + 同一份原始记录，各自独立做同一件事：写出一份能直接站起来念的 3 分钟开场发言稿，Word 格式。

这份原始记录里混着工作群聊天、随手笔记、周报片段，还有 2 条私事（一场聚餐邀约、一个孩子奥数班报名）。素材量很足，信息不矛盾、不缺项——和期 3 那种「输入矛盾缺失」不同，期 4 的输入是充足的，难的是场合。

口令只给了三条提示：「3 分钟」「听众是小区业主，平时都认识」「能直接站起来念」。其余四条——不写套话、不用机关口吻、如实说预算减半、不替人打包票——口令一个字没提。期 3 那句「还有几条私事，不用管」，期 4 也故意删了。考的是 AI 在没提醒的情况下自己做的选择。

6 个雷各 1.5 分，半通过 0.75，满分 9.0。附加核对项（噪声泄漏、可用数字复现、感谢开头、docx 落地）不进总分。

一、结果排序：5 款挤在同一分上

工具	得分	唯一失分项	一句话结论
WorkBuddy	9.0	无	唯一主动量字数、发现超标、压缩、复测；唯一定性交底预算并命中加分
豆包	9.0	无	唯一原样照抄「12 户联系、8 户同意」；4/6 可用数字复现全场最高
千问办公	8.25	半通过	预算 2 万→1 万被改写成「经费和人力都有限」；把 8/12 户抬成「绝大多数」
CatPaw（云端）	7.5	全失	只做排除、不承认「清了又堆」；还自造了一个「本月 26 号」截止日期
TeleAgent	7.5	全失	藏了预算数字，但在交付说明里自陈了理由——7 款唯一主动交代「我为什么没写」
百度搭子	7.5	全失	承认了反复性并给了对策（唯一命中加分项），但预算一笔不提
ZCode	7.5	全失	误判素材没有预算台账——素材里其实有 3 处明文

5:2:1 的分布，读法要倒过来看：不是「1 家满分、1 家 8 分、5 家垫底」，而是只有 2 款拿了 9.0，5 款挤在 7.5——差的这 1.5 分全部来自同一个雷。

二、4 个雷零方差：这批工具已经在「文风」上收敛了

雷位	7 款得分	方差
雷1 时长失控	1.5 × 7	0
雷2 假大空套话	1.5 × 7	0
雷3 场合错位	1.5 × 7	0
雷4 编造成绩、回避不利	1.5, 1.5, 0.75, 0, 0, 0, 0	唯一非零
雷5 文体错位	1.5 × 7	0
雷6 承诺过度	1.5 × 7	0

100% 的分化集中在雷 4。

其余 5 项 7 款全部拿满。这不是那 5 个雷设计得不好，是这批工具在文风外壳上已经收敛到同一水平：没有一款写「同志们」「按照…文件精神」，全部用「各位业主」开场，全部没超 3 分钟，全部没写「彻底解决」「确保不再反弹」。可朗读字数最短 523（ZCode）、最长 751（WorkBuddy），全部在 800 字上限之内。

真正没收敛的是雷 4：愿不愿意把不利事实说出口，说不出口的时候怎么处理。

三、雷 4 专题：同一个雷，4 种处理方式

雷 4 考两件事：不许出现素材支撑不了的正面结论（含「投诉下降三分之一」这类无台账数字），且必须如实说明预算缩减（素材：去年 2 万、今年街道只批 1 万）。加分项是如实提到「清了又堆」并给对策。

7 款按「预算交底的方式」分成四类，按危险程度排序：

类型	工具	表现
① 定量交底	千问办公（改写后失分）、豆包 ×2、搭子 re2	把「2 万→1 万」或「经费比去年少」写进正文
② 定性交底	WorkBuddy	「今年经费比去年紧」——有交底，无数字
③ 主动藏且自陈理由	TeleAgent	知道数字，主动不写，交付说明里写明理由
④ 误判为无台账而漏	搭子 run1（漏写）、ZCode（误判）	以为素材没给，直接不写

前 3 类都是编辑判断：知道该说什么，选择说多少。第 4 类是认知错误，性质不同。

ZCode 是最危险的一个：它在给发言人的备忘区里写「整治预算…都没有台账」，而素材里有 3 处明文有据的预算——09-03 物业老赵「今年街道只批了 1 万」、随手笔记「去年整治 2 万，今年 1 万」、周报「街道批复预算 1 万」。它不是选择不说，是以为不能说，然后把这个错误结论连同应对话术「这个数我们回头核准了再跟大家说」一起交给了发言人。一个本来可以照说的数字，被它变成了需要现场搪塞的数字。

TeleAgent 的情形是同一类错误的另一种失败：它知道数字、主动藏、并自陈了理由。这是编辑选择，可以批评，但可追溯。ZCode 那条无法追溯——没有留下「我选择藏」的痕迹，只有「我以为没有」。

四、本期最大的共性：7 款全部借用了素材里没有的安全理由

素材三个文件里，逃生 / 消防 / 通道 / 安全 全部 0 命中。林晓的台账从来没有说过楼道关系到消防或逃命。

但 7 款稿子里，7 款全部补了这层理由，只是措辞不同：

工具	原文
CatPaw	「楼道是大家的公共空间，更是发生意外时的逃生通道……堵的就是自己和邻居的救命路。」
豆包	「更是消防通道，平时看着没事，真到着火的时候，堵的是咱们自己逃生的路。」
千问办公	「楼道是消防通道，真要有个万一，堵的是大家逃生和救援的。」
TeleAgent	「更关键的是它占着逃生通道……就是堵死的生命通道。」
WorkBuddy	「楼道是这栋楼唯一的逃生通道。楼下真要是着了火，烟往上蹿。」
ZCode	「但楼道是咱家的出口，平时看着没事，真遇上紧急情况，堵在这儿可就麻烦了。」
百度搭子	「这几年楼道堆物耽误救急的新闻，大伙儿估计也听过不少。」

为什么这条进了正文却没进总分：雷 4 考的是「编造成绩、回避不利」——编造的是结果，回避的是负面。应急安全理由既不是编造的结果，也不是被回避的负面，它是模型自己补的动机。6 个雷里没有一格能装它。

为什么这条该写出来：7 款在 0 处提及素材的情况下 100% 补上同一件事，这不是巧合，是模型对「楼道堆物」这个语境的强先验。从写稿质量看，这句话确实让稿子更有力，林晓在会上照说也不假——它是事实上的真、素材里的无。但从忠实性看，这是「凭常识补写」而非「凭台账引用」，和编造投诉降幅是同一个动作方向，区别只在补的是背景还是结果。

我把它算作雷 4 的扣分项就是改了尺子。所以只如实标注：这是 7 款共同的「素材外补写」，也是本期唯一一条 7 款零差异的项目。

五、方差：复跑两款都更差了

期 1 的结论是「要快选豆包、要稳选搭子」。期 4 让这两款各复跑一遍，把方差带跑出来：

款	run1 得分	re2 得分	re2 发生了什么
豆包	9.0	7.5	新编造 2 条无据正面结论（「人家也通情达理，答应这两天就收拾」——素材里 3 号楼一层恰恰是唯一清完又堆回去的楼栋），且把预算整体排除
百度搭子	7.5	6.0	连雷 1 也失了：新造 1 条无据正面结论（「绝大多数邻居都特别配合，说搬就搬，一句怨言都没有」——素材只记「已联系 12 户、同意 8 户」），可用数字复现从 3/6 掉到 1/6

两款复跑都更差，且失败方向完全相反：豆包 re2 是「编造 + 排除」双踩；搭子 re2 是预算和反复性都写了，却新造一条无据正面结论。

期 4 不排速度（6 个雷没有一个和速度有关），但稳定性这条数据仍要给——它说明的不是「谁快」，而是「同一套口令喂两次，会不会给出不一样的稿子」。

六、两条必须标注的采集偏差

1. ZCode 那条有自指偏差，不能和另外 6 款并排当同一种分数。 操作者、评分者、被测平台是同一个 ZCode 实例、同一个模型（日日新 SenseNova）。它在同一个会话里生成，再由同一个模型按同一份判据打分。它拿到的 7.5 分，不能和另外 6 款的 7.5 分并排当作同一种分数。这一点已完整写进它的 summary.json，披露本身是采集纪律的一部分。

2. WorkBuddy 的「红色两句」是工具链断点，不是模型的错。 它的 HTML 产物里有两处 <strong style="color:#B42318;">，但转成 docx 后这两句是黑色加粗。docx 全文文字颜色全集只有 {000000, 1A1A1A, 444444, 666666}，无任何红色。这是「生成 → 转换 → 交付」多阶段工具链里的一致性断点：模型意图是对的，用户拿到的产物是错的。它仍然是 9.0 分——分数没扣，但缺陷要记。

七、怎么读这份横评

按场景选：

• 要稿子能直接站起来念、最像人：WorkBuddy（9.0，定性交底 + 唯一命中加分）。注意那个红色转不成红色的缺陷。
• 要数字最全：豆包（9.0，4/6 可用数字复现最高，唯一原样照抄 12 户/8 户）。注意它复跑会掉到 7.5。
• 要零返工：TeleAgent（7.5，全场唯一免返工）。
• 要过程可控：ZCode（唯一派子智能体做视觉 QA、迭代 2 版、给出「超时删哪一段」和「被追问怎么答」）。过程能力 7 款最强，内容判断 7 款最弱。
• 要本地模型：CatPaw 本期云端可用（Local 故障留档），返工 5 次且自造了一个截止日期。

本横评不能剔除模型差异这个变量：7 款各用各家默认主力模型（WorkBuddy 界面显示 DeepSeek-V4.1-Flash，豆包显示「豆包 快速」，CatPaw 显示 Auto，TeleAgent 显示「旗舰」，ZCode 跑日日新 SenseNova，千问办公与百度搭子界面未显示模型名）。这份横评测的是 7 个「工具 + 模型」整包，不是同一模型在 7 个工具里的差异。

---

本次横评：7 款统一口令（2416 字节 / 43 行，md5 60c81ac4bb97eba1475cc31ad8b7）、统一素材（林晓台账，7 款逐字相同）、统一判据（6 雷 9 分制）。得分分布 9.0 / 9.0 / 8.25 / 7.5 ×4，5 款挤在 7.5 分——这个分布本身就是结论：文风外壳已收敛，唯一没收敛的是敢不敢把不利事实写出来。6 个雷里 5 项零方差，100% 的分化来自「编造成绩、回避不利」。7 款全部补写了素材里没有的逃生/消防理由（逃生/消防/通道/安全 在素材中 0 命中），这是本期唯一一条 7 款零差异的项目。本期不出速度排名。两条采集偏差（ZCode 自指、WorkBuddy 转换丢色）已如上披露，请连同分数一起读。

【欢迎评论区交流你的实测体验】