去年 5 月，老狐曾做过一期手机 AI 大模型助手的横评，在那篇文章里，我们对华米 OV 还有魅族的 AI 助手，在生活助理和生产效率方面进行了比较，感兴趣的可以点这里查看。
如果没有意外的话，国行 iPhone 将在今年 4 月份带来手机大模型助手。
前提是没有意外。而意外已经发生过一次了，本来大家都认为苹果和百度合作已经板上钉钉，结果 12 月份，爆出了苹果正在与腾讯和字节接触的消息。
如今，手机产商都在强调自己的 AI 大模型助手，它就像卫星通信功能，用户可以不用，但手机厂商如果没有就会低人一等，苹果几乎已经是动作最慢的。
在很多场景下，AI 大模型助手确实好用，科技狐内部已经有不少人把它们当作工具，有的用豆包，有的用 Kimi，有的正体验最近火起来的 DeepSeek。
至于到底哪个好用，不同人有不同的看法，因此，我们决定来一期 AI 大模型横评，看看谁家的 AI 助手更强，也对苹果 AI 的实际效果有个底。
有库克微信的朋友，麻烦把文章链接发给他。
老狐选择了苹果传言要合作的三家，百度的文小言、字节的豆包、腾讯的元宝，除此之外，还有目前用户较多的 Kimi，再加上阿里的通义千问，一共五个。
先叠个甲啊，本次横评为了有能力区分度，加大了难度，不只是简单的写周报，识别图片这样的常规能力，测试选项来源于生活，但复杂程度可能会高于生活。
首先是数学题目，数学题一直是 AI 大模型的苦主，之前出现过 9.11 比 9.9 大的翻车事件，我们此前在对手机大模型进行测试的时候，小爱同学对鸡兔同笼的计算也出了问题。
所以，照例以鸡兔同笼的问题当作测试的开胃小菜。
结果在意料之中，这几个 App 都给出了正确的答案，毕竟，这都已经 2025 年了，如果还能算错，就有点说不过去了。
*腾讯元宝计算过程
为了测出他们现在解答计算题的能力，老狐忍受着死去记忆的攻击，拿出绝招。
这是一道 2024 届广东省的月考题，既考验了大模型提取信息的能力，又考验了大模型数学运算的能力。
5 个大模型里，通义选了 A，文小言选了 B，豆包和元宝选了 C，Kimi 选了 D，这够有节目效果了吧。
*通义千问
先声明一下，这是我第一次用他们测试高考题，答案也是第一次生成的结果，这个节目效果绝不是我刻意制造的。
但细看就会发现，这些大模型生成答案过程有所区别，比如文小言和元宝，识别图片时就把题目里的公式识别错了。
屏幕前的各位可以猜……不对，算一下哪个是正确答案。
答案是 A，通义是正确的，事实上，这个等式由条件可以推出结果，但由结果倒推，不一定是非得 b＞a＞0，所以前者是后者的充分不必要条件。
通义虽然给出了正确答案，但是关于必要性证明的解释有点难理解。
为了给你们解释这个知识，老狐狠狠恶补了高中基本不等式的知识，大模型没懵，我已经懵了……
不等式可能对 AI 来说有点难，我又换成了安徽黄山歙县的一道数列题。
结果只有元宝做错了这道题，它的答案是 A，做错的原因还是老问题，公式识别错误。
剩余四个都得出了正确答案 C，通义千问和豆包解答过程很漂亮，文小言没有解答过程，Kimi 虽然答案对了，但 n=6 时，等式的值算错了。
再把题目换成这道几何题。
事实上，这道题选 B，可以通过平行线法和空间向量法来计算，结果只有豆包采用平行线法计算正确。
其他几个都是简单描述，然后就选了 C，这糊弄的样子，真是太像老狐曾经的“不懂就选 C”。
*文小言
不过坦白讲，三道题高考题，豆包和通义做对两道已经超过了老狐的预料，一年前测试时效果还比较糟糕。
这里腾讯的元宝一道题没有做对，原因是识别公式错误，不过我用一道没有图形，公式也相对简单的题测试，元宝能做对。目前来看，元宝图像识别能力还有比较大的优化空间。
在这里，至少在做数学题方面，AI 大模型已经超过了大部分人，目前还打不过人生智商巅峰的高中生。
用 AI 做高考题，是为了测试大模型曾经的短板现在如何，在实际应用中这种场景比较少见，更多的可能是拿来搜寻信息，比如苹果在发布会上演示的摄像头识别，又或者国内厂商喜欢的演示识屏做策划功能。
普通的识别物体，现在的 AI 大模型已经做得很好，即使我在网上找来这样的合成图片，它们也能一五一十地说清楚。
所以，我们还是从实用性出发，用它来处理一些我们认知能力之外的事。比如，这是一件衣服的英文水洗标，不知道该怎么洗时，就可以求助 AI 大模型。
通义、Kimi 和豆包都给出了较为准确的结果，文小言忽略了低温烘干和低温熨烫，自己虚空增加了一个关于洗涤剂的内容；元宝将可低温（小于 150℃）熨烫解释为不能熨烫，低温滚筒烘干改成悬挂晾干。
*文小言
*元宝
这是一款进口榛子饼干的配料表，老狐给中文配料表打了马赛克，假设一个对花生过敏，又不认识原料信息的人，接到朋友递过来这饼干，大模型能解决它能不能吃的问题吗？
实际的结果是只有豆包和通义指出，花生酱过敏的人有一定可能会对榛子过敏；Kimi 忽略了榛子，提出了另一个没那么重要的卵磷脂成分；元宝没有指出，仅仅是说咨询医生；而文小言坦言自己没有该功能。
其他生活方面，我让这些大模型给我规划了一份自驾游攻略，这是我给的 Prompt（提示词）。
生成的结果，豆包和通义都把广西旅游景点定在了最热门的桂林，虽然桂林山水甲天下，但会导致行程变长，比如豆包路线第二天阳朔直达丽江，高达 1000 公里，上午还去阳朔玩漂流。通义千问没有距离和行驶时间的信息，这对自驾来说有些不方便。
相对来、Kimi 和文小言把在广西游玩歇息的地方选在南宁更合适。
Kimi 把在广西游玩的地点定在了广西云南交界的崇左，增加了大理这个中间点游玩，这很合理，不过这也导致，Kimi 的路线每天都在驾车，只有最后能在西双版纳可以玩一天。
文小言的选择是南宁到昆明，再到丽江，而且给丽江和西双版纳都单独安排了一天游玩，这样更合理。
整体来说，Kimi 和文小言更好，综合一下，第一天采用 Kimi 的路线，先到崇左，玩一天后到丽江，第四天起用文小言的路线。
这四个大模型都在景点路线设计上默认提示词中的顺序，把西双版纳放在最后，如果先经西双版纳再到丽江行程更短，目前来看，只能是用户在提示词里优化。
可能会有人问元宝呢？它有点拉胯，从广州到桂林后，就以桂林为中心，柳州、梧州、贺州玩，忘记去云南这回事。
老狐在提示词中特意说明在广西南宁玩一天，才有结果，可是结果中，香格里拉至西双版纳的距离也出现了错误。
从数学计算、识图、再到旅游规划，豆包、通义整体较好，Kimi、文小言差一点，元宝表现相对拉垮。
而接下来，我们来对比大模型在生产力方面的能力，其实 AI 大模型从诞生起，人们对它的关心可能不是它如何协助人们生活，而是它会不会抢走人的工作，现在，AI 大模型显然还没有夺走绝大部分人的工作，但它能多大程度协助工作了呢？
首先，以老狐自己工作中的信息搜集为场景，假设要了解对比 6 款旗舰手机的硬件信息，让大模型用图表列出来。
然而结果就是都有多处不准确的地方。
Kimi 把华为 Mate 70 Pro+ 芯片列为麒麟 9100，vivo X200 Pro 的系统搞错；通义千问将许多公开信息都列为未知；腾讯元宝把 Mate 70 Pro+ 的生产工艺列为台积电第二代 3nm 工艺；豆包过多信息未明确，甚至连 vivo X200 Pro 的芯片都没有；文心一言将 vivo X200 Pro 的长焦像素列为 3 亿。
除此之外，还有多处信息不全，实际用起来就是生成了答案，我还得去校对，这对工作帮助不大。
这可能也是为什么如今 AI 大模型都不宣传搜集信息，因为网络信息良莠不齐，大模型也拎不准，致使数据错误。所以大模型宣传的，往往是有确定来源的文稿的总结功能，要么就是生成大纲或文章。
简单的文章总结，如今 AI 大模型助手都有这项能力了，大家可以找文章链接、PDF 文件试一下，因为时间关系，老狐就不重复了，我们来一项有难度的测试。
我找来了格力和小米 2024 年上半年的财报，想要比较他们俩上半年的营业收入、研发投入、毛利润和净利润的数据。
这里面是有坑的，有的数据没有，比如格力没有提到毛利润，只有利润率。
通义是表现最好的，数据准确，通义通过毛利率算出了格力的毛利润，但是缺少小米的研发投入。
豆包没有给出格力和小米的研发投入，虽然两个大模型给出的格力总收入和小米净利润数据不同，那是因为二者数据的来源有的是财务指标描述，有的是合并的利润表。
元宝就比较多错误问题了，除了格力的总收入和净利润，其他都是乱来。文小言也自己推出了格力的毛利润，但没有给出研发投入，更离谱的是，小米这部分数据是季度数据，而非提示中的半年数据。
Kimi 直接表示格力的财报文件超过长度，只能每个 PDF 单独询问，生成结果中，也存在数据错误的情况，比如格力的毛利润是错误的。但是指出了小米的半年研发投入。
如果这里要矮子里拔将军，通义、豆包和 Kimi 是较好的。
再来看看 AI 大模型写文章的能力，我找来了两篇关于英伟达 RTX50 系显卡发布以及老黄回应价格争议的文章，希望 AI 能再结合目前网上关于 RTX50 显卡相关产品的内容，写一篇文章。
结果是，豆包和 Kimi 更好，在两篇稿子的基础上补充了更多内容，比如笔记本产品的上市时间，RTX50 更多的技术细节，以及竞争对手分析。
通义和文小言基本就是围绕这两篇文章的性能参数、价格争议、用户群体和未来展望来写。
元宝似乎还没搞懂什么情况，写的不是已经发布的产品，而是展望 RTX50 会如何。
坦白讲看完这些答案并没有让我感觉惊讶，文章内容比较平平无奇，缺乏亮眼，这样的工具不适合写稿，其实更适合写周报这种重复重复再重复的工作内容。
比如这样的：
这是一个简单的需求，生成的结果其实都非常不错，只需要根据自己的实际情况对文本内容做一些调整，唯一要吐槽的地方是 Kimi 字数太多了……
最后，是有关 AI 大模型的图片生成功能力，如今在互联网上，能见到一些大模型生成的图片用于商业化，比如某些淘宝商品的详情页，但是细节有很多问题。
可是如果你还认为这是 AI 现有的水平，那可能结果会让你大吃一惊。我们也以这个商品给一段 Prompt，让这些大模型来生成图片：
除了 Kimi 没有图像生成能力，通义千问表示在生成图片时遇到了技术问题，豆包、文小言和元宝生成的图片都要比前面提到的淘宝详情图片要好得多，虽然还存在手部比例失调等细节问题，但整体质量已经提升了不少。
如果大家在家过年发微信消息，缺少表情包，那么也可以借助大模型来定制你需要的表情包，例如这样。
以上就是关于 5 个 AI 大模型助手各方面能力的横向比较，整体而言，豆包综合表现更好，其次是通义和 Kimi，再是文小言，最后是元宝。如果生成图片对你而言重要，那么要考虑的是豆包、文小言和元宝。
需要注意的是，本次测试内容提升了难度，不再是简单的拍照识别，做鸡兔同笼问题，还有写周报，这些场景，其实大模型都完成的不错。
在更复杂的场景上，可以看到大模型取得了长足的进步，它能做高考题，如果 Prompt 优化得当，能生成一份有参考性的长期旅行计划，生成的图片也有了可用性，只是用 AI 大模型找来的数据，我还是不放心使用。
但可以期待在 2025 年，AI 大模型能带来更多的惊喜，尤其是当下，AI 大模型结合硬件成为一个热门赛道，国外的 Meta、国内的 Rokid、雷鸟、闪极都在推出智能眼镜，还有豆包的 AI 耳机，2025 年的 AI 硬件领域一定非常精彩。
最近一年，豆包和 Kimi 应该是市场上最热门的两家 AI 大模型助手，其中有研发投入带来的优秀体验，也有营销上花的心思，相比之下，通义和元宝，热度会低不少，这可能与他们自身的产业有关，阿里和腾讯都有丰富的面向企业端的业务，可以用 AI 大模型来优化，因此在用户端的投入没那么高。
不是所有的互联网大厂都去卷 C 端大模型，这是好事，AI 应该是给全行业带来帮助的，我们离不开微信和抖音，但同时也需要 EDA 这样设计芯片的软件。
大家认为苹果会选择跟哪家大厂合作呢？
参考资料：
豆包、元宝、Kimi、通义、文小言
编辑：木易
