单篇博客

一次模型能力评估之后，我对WorkBuddy的认知发生了根本性转变。

一个模型最终能创造什么价值，不仅取决于其自身实力，还取决于它被置于怎样的工作场景中。

Flash模型正逐渐成为AI领域的“标配产品”。

速度快、成本低，应对常规任务绰绰有余。模型对比评测也因此形成固定模式：给多个模型分配相同任务，比较答案优劣，再排出先后顺序。

这次Flash模型测试，最初也是按这套流程进行的。

我们让DeepSeek-V4.1-Flash、云之声U2-Flash、Qwen-3.8-Flash完成两项工作：一份手机行业深度研究报告，以及一个三消小游戏的开发。U2Flash和DeepSeekFlash分别在严谨度和洞察力上各有所长，而千问在报告事实核查和游戏成果交付上暴露出明显不足。

然而，当我们回顾整个测试流程时，才意识到这场测试从一开始就存在偏差：三个模型并未在相同的工作环境中运行。

DeepSeek Flash和U2Flash是在WorkBuddy内完成全部流程的，能够联网搜索、读取写入文件并调用工具；Qwen3.8 Flash则是在千问AI平台的网页体验版中操作的，全程只有一个孤立的对话窗口。

由于初次测试时未能在千问办公桌面端直接调用Qwen3.8 Flash模型，我们进行了第二轮复测，并严格控制变量，采用完全相同的任务和素材，在WorkBuddy中重新执行了一遍。

结果令人意外，初次测试表现不佳的Qwen3.8 Flash，复测质量显著提升，第一轮中的大量数据错误被重新核实并修正；原本无法正常运行的三消小游戏，也实现了从定位Bug、修改代码到实际验证的完整过程。

同一个模型换了工作环境，交付成果竟有如此巨大的差异，这让我们不禁反思，所谓的模型评测，究竟在衡量什么？是模型本身，还是模型融入工作流程后能交付的实际成果？

01

千问模型在自家平台“裸奔”

这次测试的起因，源于一次失败的接入。

我们原本下载了千问办公桌面版，打算在其中调用Qwen 3.8 Flash模型，但很快遇到障碍。千问办公给出的解释是，具体使用哪个模型由产品的会话配置决定，用户无法在对话中手动切换或指定底层模型，模型是否开放也取决于具体入口和账号、版本。

后来我们退而求其次，转向千问AI平台的网页体验版，找到3.8 Flash入口，才开始正式执行任务。

当时看来只是换了个操作入口，事后复盘才意识到，这是整场测试中最关键的隐性变量。

先看第一轮。

报告任务中其实埋了不少陷阱。我们提供的五份材料包和八个任务清单，包含数据混淆、单位错误、时间口径不一致以及无信源断言。游戏任务则要求模型开发出一个三消小游戏。

DeepSeek Flash

U2Flash

U2Flash对数据陷阱的处理最为细致，发现"OPPO 687.2亿元"与传音控股年报数据冲突后，一路追查到工商主体和统计口径。DeepSeek Flash的优势在于独立判断，能提出"芯片分叉"这种有深度的观点。

Qwen3.8 Flash的问题，集中出现在"新机全景"部分。

材料中的真实新机尚未到位，它便提前完成输出，用训练数据中的旧产品线填补2026年的新机清单：vivo被写成X200系列，华为则出现Pura 80、Mate 70等型号。华为2025年报中的营收、净利润、终端业务数据未能准确获取；OPPO的一组数据也判断错误。

游戏任务暴露的短板更为严重，它仅生成了一段纯文本代码，需要手动复制到记事本或编辑器中另存运行。在浏览器中打开后，交付成果依然停留在非常初级的网页Demo阶段，能点击打开，但得分逻辑卡死不动，像一个能运行、但没有灵魂的空壳。

Qwen3.8 flash网页版

这些表现当然有模型本身的因素，比如用旧有历史知识填补当前信息缺口，生成后缺乏自检机制等，但首轮测试中，Qwen3.8 Flash没有拿到另外两款模型手中的“武器”。

DeepSeek Flash和U2Flash是在WorkBuddy这样的AI办公产品中运行的。查阅华为年报、IDC出货量、工商数据时，可以联网搜索；遇到材料中的数据陷阱，能够进行交叉验证；报告撰写完成后，可以直接进行本地文件保存、分章整理并打包输出。

至此，局面变得尴尬，我们以为自己是在横向对比三款Flash模型的技术能力，但实际对比的却是三套截然不同的模型调用与交付方式。

一边是模型接入了具备联网、工具调用、本地读写与自检能力的工作台；另一边是模型能力被局限在单一网页对话框里“裸奔”。交付落差，显然不能简单归咎于“模型智商不足”。

于是我们重置变量，任务不变，材料不变，模型不变，只把Qwen3.8 Flash换进相同的工作环境WorkBuddy中，重新执行全程。

结果出乎意料。报告任务中，Qwen Flash几乎复现了此前U2Flash的工程标准。开篇即输出了一份包含七处排错的凭据清单，且每一处都做了交叉验证。

Qwen Flash复测版

而且还建立了“官方、机构、第三方估算”的三级信源体系，并在文中做了逐条标注。初次测试中，千问在"新机全景"上出现大面积事实错误；复测后，它不仅完成了八章报告，还主动做了一轮数据排错。

在游戏开发任务中，差异更为悬殊。在网页版里，千问只能给出一个静态的文本代码；而在WorkBuddy环境下，当渲染出现Bug或积分逻辑卡死时，Qwen Flash能够通过工作台的执行环境重新读取报错日志，完成“定位错误、修改代码、本地重新编译验证”的闭环，最终交付出一个可玩性还不错的小游戏。

模型之所以表现出截然不同的交付上限，是因为它获得了重新查证、重新读取上下文材料、调用环境工具并主动纠错的条件。此前被困在对话框里的能力，在具备完整工作链路之后，被最大化释放出来。

DeepSeek Flash

U2 Flash

这也让我们重新理解了当下AI办公产品的路径分野。

千问办公倾向于将模型能力、应用工具与交互界面融合成一套高度标准化的交付方案。这种“开箱即用”的体验极大降低了使用门槛，却也限制了用户对底层模型的自定义选择权。为了追求前端体验的“绝对统一”，模型在复杂、动态场景下的应变潜力被无形中“封印”了。

反观WorkBuddy，它不强行绑定单一模型生态，允许用户在同一个工作区内根据任务需求自由挂载DeepSeek、U2或Qwen，把模型当成“可插拔的算力引擎”，把选择权彻底交还给任务本身，模型在这里更像一种可以随时更换的算力资源，工作台负责把任务、上下文、工具和模型组织起来。

在此路径下，AI办公产品的核心价值不再取决于“我的模型有多强”，而在于“我能否将最合适的模型，精准无缝地嵌入复杂的真实工作流中”。

02

Agent竞争升维

从“模型入口”到“任务入口”

回看这场测试，三次体验对应了三种完全不同的AI使用方式，也映射了AI应用演进的三个阶段。

第一阶段是对话式的AI助手，单模型聊天，主要面向个人场景。用户进入厂商预设的套件中，模型、工具和交互逻辑都已被全盘打包。它的本质是提升个人效率的辅助工具，优点是简单，代价是选择权的全面让渡。

第二阶段是可调度的“Agent工作台”，即从“聊天”走向“完成任务”，实现“多模型”按需挂载与团队协同。此时，AI进化为具备工具调用能力的Agent，真正开始执行工作。

模型被剥离掉“产品入口”的光环，“降维”为工作流中的一个可插拔组件。这从根本上改变了“用模型”的逻辑。

过去是“因为我想用千问，所以我打开千问”，现在是“我有一个任务，要把合适的模型调度进我的工作台，”AI应用的竞争从“模型入口”走向“任务入口”。

当然必须承认，工作台无法凭空捏造模型本身不存在的智力，模型的推理上限、事实判断与自检能力依然是硬指标。

千问在部分任务中的“交付结果不及预期”，固然有其模型本体的局限，但缺少联网检索入口、缺乏工程化交付环境的体验版平台形态，也是拖累其表现的硬伤。

模型的差距，被“环境”放大，也被“环境”抹平。 当主流模型在底层参数和基础推理上日趋同质化，决定用户体验的胜负手，已从“调用哪家模型”，转向“在怎样的工程环境里调用模型”。

知识密度之外，模型的能力分层也在被工程化程度和交付闭环重新定义。一个能检索、保存、调试、交付的“环境”，成为模型能力得以释放的大前提。

测试过程中还有个小细节颇具启发，我们通过Ulanzi与WorkBuddy联名的AI硬件进行了交互与指令输出。硬件的接入，让原本局限在屏幕里的工作流有了一个新的物理节点：AI从网页里的对话框进入桌面工作台，又进一步延伸到了真实的硬件设备。

以往我们讨论AI，习惯问的是“模型在哪里运行”，硬件的加入让我们进一步思考**“未来，用户该从哪里唤醒AI”？**

从网页文本框，到桌面级Agent工作台，再到软硬一体的物理节点，AI办公的下半场，不再属于抢占“模型入口”的人，而属于掌控“任务入口”的人。

03

AI办公下半场

从任务入口到企业AI基础设施

过去我们判断一个AI产品好不好用，习惯看两个指标：模型聪不聪明，回答漂不漂亮。但当Agent真正介入实际业务，评价体系已经发生了根本性重塑。

它能不能找到材料？能不能正确调用工具？能不能记住上下文？遇到报错能否自主纠偏？最关键的是，最终交出来的成果，是一个能直接拿去复用的“交付物”，还是一个需要人重新收拾残局的“半成品”？

如果说个人效率工具解决的是员工如何用AI，那么当AI办公产品深入到企业场景时，必然要撞上下一道高墙：企业如何管理AI？

这也进入了AI应用演进的下一阶段，即全治理的AI组织，或者叫企业AI基础设施期。

用户从“使用AI”升维至“管理AI”，实现多模型的统一调度、企业级权限隔离与协同治理。模型被进一步解耦并融入企业组织架构，充当数字员工。这一阶段的硬核诉求不再只是单纯提效，还有精细化控制算力成本与数据安全风险。

成本控制上，企业要思考Token账单谁来支付？各部门算力额度如何分配？

权限与治理上，谁能调用特定模型？谁能接入核心数据库？AI在本地操作文件时的安全边界在哪里……

如今这场关于“企业AI基础设施”的争夺战，各大巨头均已亮牌。

在刚刚结束的云栖大会上，整合后的千问办公被推至AI落地展示的绝对C位，不仅加速推进Personal Agent战略，更集中发布了“企业上下文”等私有数据管理能力，试图通过深度绑定钉钉生态与云端算力，把AI嵌进企业协同的每一个齿轮。

而百度亦在加速整合内部办公Agent资源，此前百度搜索、网盘、地图、秒哒和伐谋等产品能力已通过Skill接入百度搭子，7月百度搭子企业版发布后，次月又将dodo全面并入“百度搭子”，试图在B端办公生态中构筑闭环。

最近，WorkBuddy企业版也进行了一次大升级，将腾讯文档、腾讯乐享、腾讯网盘、安全与效能运营平台、腾讯AI设计智能体Ardot等五项办公能力进行套件化整合，且打通了企业AI的“身份系统”，目前WorkBuddy已经具备SSO单点登录、组织架构管理、成员用量控制、统一订阅等企业级能力。

从账号、组织架构、Credit用量，再到Skill、Agent和企业数据，企业管理员开始可以在同一套体系里管理这些AI资源。WorkBuddy在把一个原本面向个人的Agent工作台，逐渐改造成能够承载组织级AI协作的基础设施。

这也让“任务入口”的概念有了新的含义。

对个人来说，任务入口意味着“我把事情交给AI”；对企业而言，任务入口意味着“企业把一整套业务流程交给AI”。

前者解决的是怎么让AI帮人完成工作，后者解决的是怎么让一群AI在企业里被管理、被调用、被约束，并持续产出结果。

从模型到Agent，再到企业AI基础设施，不同厂商的路径虽然不同，但争夺的焦点一致：谁能把模型嵌进企业的真实业务流程。

当底层模型能力趋于稳定，围绕“执行与交付”的工程化建造，才刚刚拉开序幕。

本文来自微信公众号“奇点研究社”，作者：徐婷，编辑：奇博士，36氪经授权发布。