三句话速览

1. 模型强，不等于事情办得成。能不能读文件、调工具、验结果，才是分水岭。

2. 榜单用来缩小范围，不用来直接下单。自己的任务，才是最终考卷。

3. 先试任务，再谈付费。结果能用、总时间下降，才值得升级。

01

AI 的下一场竞争：把事情做完

让 AI 写一段话，和让它做好一件事，是两回事。

写报告，要找资料、核数字、列来源；做表格，要看懂数据、保留公式；改代码，要找到问题、完成修改、检查结果。每一步都能接上，最后的东西还能用，才算真正帮上忙。

这也是理解今天这场竞争的一条主线：除了回答得好，还要看能不能把事情做完。

先记住两个词。“大模型”是负责理解和推理的大脑；“智能助手”（也常被叫作 Agent 或智能体）是会围绕目标使用工具、连续办事的 AI。大脑强，不代表每件事都办得好。能不能读取你的文件、工具是否稳定、结果有没有检查，同样重要。

按用途，可以把它们分成编程、办公、调研、个人助理，以及多助手协作。这个分法是为了方便选工具，不代表市场上有五条清晰的界线。同一个产品，可能同时做几类工作。

先问“它能帮我做什么”，再问“它用了什么模型”。

02

全球大模型，究竟在比什么？

第一层，比模型能力：能不能理解复杂问题、写对代码、看懂图片。第二层，比办事能力：能不能连续执行多个步骤，出错后能不能恢复。第三层，比使用方便：能不能接入你每天使用的文件和软件。

所以，只看聊天截图，很难判断一个产品是否适合工作。

OpenAI 官方文档列有 GPT-6 Astra、GPT-6.1 Sol、GPT-6 Luna，定位和可用入口不同；能不能用，还受套餐、客户端及管理员设置影响。“GPT-6”几个字，说明不了你实际用的是哪一个。

Anthropic 官方目录列有 Claude Fable 5.1、Opus 5.5、Sonnet 5.5、Haiku 5.5，分别面向不同难度和速度要求。Google 的 API 模型目录列有稳定版 Gemini 4 Argon、Gemini 3.8 Flash。这里确认的是型号和官方定位，不是宣布谁全面领先。

国内几家厂商同样如此：DeepSeek 在官方价格页区分了调用名称和实际模型版本；Moonshot 官网展示 Kimi K3；Z.ai 有 GLM-5.3 官方文档。选它们时，同样要看实际效果、中文任务、费用和接入方式，不能只凭“便宜”两个字判断。

少数型号本次未逐项核对，本文就不写它的排名与价格。没有展开的产品，不等于不重要；没有核实的内容，也不靠猜测补齐。

还有一类模型开放权重，也就是可以自行部署、二次调整。它给部署和定制留下空间，但仍要看使用许可、硬件要求和维护成本。可自行部署，不等于零成本运行。

03

榜单可以看，榜首不要直接买

能力测试，英文叫 Benchmark，可以理解为给 AI 出一套统一考题。它有参考价值，但一套考题回答不了所有问题。

会答题，不一定会做表格；会修代码，不一定能管好日程。对智能助手来说，成绩还取决于它能用哪些工具、允许花多少时间、可以重试几次。同一个模型，换一套工具，结果可能不同。

第三方模型榜通常同时比较能力、价格和速度，但不同板块的口径未必一致，所以本文不抄录具体名次和分数。排名背后还有推理强度、自动切换等设置，只摘一个模型名，意义有限。

SWE-bench 主要看系统解决真实软件问题的表现。不同题目集合、执行程序和验证方式，不能混在一起比较。Terminal-Bench 主要看终端任务，也就是通过命令操作电脑环境的工作；不同版本的成绩也不能直接对比。

读榜单，抓住四个问题就够了：考什么？怎么考？谁来验证？和我的工作像不像？如果这些问题没有答案，“榜首”就还不足以成为购买理由。

榜单帮你缩小范围，自己的任务帮你做决定。

04

编程助手：代码写得快，不等于项目做得快

编程助手已经不只是在旁边补一行代码。它还可以读取项目、定位问题、修改多个文件，再运行检查。

这类工作比较容易验收：程序能否运行，问题有没有解决，修改是否符合要求。但通过检查，也不代表没有漏洞。改动越大，人要审阅的内容也越多。

选工具，先看你怎么工作。习惯边写边改，就看编辑是否顺手、修改是否看得清；习惯把任务交出去，就看它能否独立执行、保留记录，失败后能否继续。模型名称只是其中一项。

Claude 的订阅页把 Claude Code 列入 Pro 功能；Codex 也有自己的入口与额度规则。买了订阅，不代表所有工具和调用费用都已包含，使用前要看清账单。

有一个历史实验值得记住：2025 年，METR 让 16 名熟悉自身开源项目的开发者完成 246 项任务，使用当时的 AI 工具后，完成时间反而增加了 19%。这不能证明今天所有 AI 编程工具都会拖慢工作；它说明，“感觉更快”需要用实际耗时验证。

普通人可以先从小任务开始：解释报错、补测试、修改独立页面。涉及权限、资金或大范围重构，先写清要求和恢复办法。试用一周时，记录从提出需求到结果可用的总时间，把等待和返工也算进去。

05

办公助手：好不好用，打开文件就知道

办公助手主要处理报告、表格、演示和计划。它的价值，要落在最后交出的文件上。

OpenAI 把 ChatGPT Work 定位为围绕明确目标执行多步骤工作、提供可审阅成果的入口。Anthropic 的价格页显示 Claude Cowork 正在并入 Claude，并列出文档、演示等功能。Google 的套餐页也体现了 Gemini 与办公应用的结合。产品名称和打包方式会变化，购买时仍要看自己的账号实际开放了什么。

怎么验收？表格里的公式能不能查，演示内容能不能改，报告里的数字有没有出处。看起来漂亮，是加分项；能继续使用，才是基本要求。

给任务时，把四件事说清楚：用什么材料、给谁看、交什么文件、怎样算做好。例如：“用这份销售明细做月报，保留公式，标出缺失数据，并解释收入变化。”比“帮我做得专业一点”更有用。

如果资料都在同一套办公软件里，优先试能顺利连接它的工具。能少搬一次文件，少做一次复制，往往就能省下不少麻烦。

先把一个每周重复的任务做稳定，再扩展到更多工作。不要只看一次演示是否惊艳，要看下周换一份材料，它还能不能做好。

06

调研助手：链接多，不等于研究深

调研助手能查资料、找线索、比较说法，再整理成报告。它能帮你扩大视野，但不能替你决定什么值得相信。

十篇文章都转述同一则消息，并不等于十个独立来源。一篇旧文章今天被搜索引擎收录，也不等于今天发生了新变化。

检查调研报告，关键是：链接能不能支持旁边那句话。功能和价格，尽量查官方；能力高低，查独立测试；使用感受，看真实用户原帖。三类信息不能互相替代。

尤其要小心时间：旧模型的测试，不能直接证明新版本；已经改名的产品，不能继续沿用旧套餐；历史研究再有价值，也要标明发生在哪一年。

试用时，选一个你熟悉、又存在分歧的问题，让它给出主要结论、原始来源和反对证据。抽查几个关键数字，再追问一次。能发现并改正错误，比坚持把报告写得很长更有价值。

如果准备公开发表，可以保留一张简单的核对表：这句话从哪里来、什么时候发布、有什么限制。AI 帮你找资料，作者对最终文字负责。

好的调研，不只是告诉你答案，还能说明为什么相信这个答案。

07

个人助理与多助手协作：能办事，也要管得住

个人助理，想解决的是那些每天都要操心的小事：看日程、整理邮件、提醒变化、持续跟进。它能记住一些背景，你就不用每次从头交代。

Google 在 2026 年 7 月的一则地区性公告中介绍了 Gemini Spark，说明面向部分市场的订阅用户扩展，支持后台运行，并强调花钱、发邮件等操作前会先询问。地区性公告，不能直接推导为所有地区和账号都能使用。

个人助理是否有用，要看它能不能减少打扰。真正重要的变化再提醒，比每天堆一份长摘要更好。它记住的信息，也应该允许查看、更正和删除。

多助手协作，则像临时组织一个小组：一位查价格，一位找资料，一位审稿，最后汇总。Anthropic 在 2025 年公开过一项内部研究实验，特定多助手组合优于单助手。这个结果有当时模型和任务的限制，不能变成“助手越多，效果越好”的通用结论。

适合拆开查证的复杂问题，可以分工；前后紧密相连的简单任务，未必需要。多个助手也可能重复同一个错误，彼此同意不等于已经验证。

个人使用，先从整理、草稿和提醒开始。发消息、花钱、删除资料等操作，要有清楚的授权。值得信任的助理，不只是会主动，还应该能解释、能纠正、能停止。

08

真实用户评价：听经验，也要看条件

官方介绍告诉你“能做什么”，用户评价往往告诉你“哪里不顺”。额度不够、任务中断、文件不好改，这些摩擦值得看。

在 Claude Code 的用户讨论中，有人报告相近工作方式下额度消耗发生变化。这能说明有人遇到了这样的体验，不能说明所有用户都受到影响。官方说明也指出，多个 Claude 入口会共享使用额度，排查时要一并考虑。

Codex 的更新讨论里，既有欢迎新功能的声音，也有对使用限制的疑问。其中还有一段由 AI 自动生成的评论总结，不能把它当作独立的用户调查。

这些材料没有经过代表性抽样，本文也没有复现全部问题。点赞多、语气强烈，都不代表问题发生得更普遍。

看到“不如以前”，追问是什么任务、哪一版、什么设置；看到“太贵”，区分是月费高，还是额外调用多；看到“完全替代人工”，看看有没有算上提示、等待和复核。

把评论当成试用时要检查的问题，比把评论当结论更有用。最终，还是用自己的材料和工作记录判断。

09

怎么花钱，才不容易买错？

先分清两种付费方式：订阅通常按月付，包含产品功能和一定使用额度；API 是让软件调用 AI 的接口，通常按实际用量收费。两者不是同一笔账。

以官方页面标价为准（单位：美元／月）：OpenAI Plus 为 20，Pro 有 100、200、500 三档；Claude Pro 月付 20，年付为预付 200，Max 每月 100 起。地区、税费、功能和额度以自己的账户为准。

下面的图和表比较 API 费用。Token 是文本切分后的计费小单位，不等于一个汉字。输入是交给模型的内容，输出是模型生成的内容；重复输入的内容有时可以复用，称为缓存。

单价低，不代表整件事一定便宜。长时间推理、反复重试、搜索工具和人工复核，都可能增加成本。不同厂商切分文本的方式也可能不同。

DeepSeek 高峰价适用于工作日北京时间 09:00—12:00、14:00—18:00，中国公共假日除外，其余为低峰。官方还说明，经工具触发的服务端搜索与抓取目前免费，将从北京时间 2026年11月1日零时起按请求收费。

Google 套餐页的美元订阅价本次未能稳定取得；Kimi、Qwen、GLM 的完整费率也未逐项确认，因此不沿用旧数字。OpenAI 的订阅积分规则不同于 API 美元价，也不并入上表。

不用买榜单上的高分产品，要买自己工作里真正有用的。

先列出每周反复做的三件事，用同样材料试两三个工具。结果能用、总时间减少，再考虑付费；只有确实遇到额度限制，才有必要升级。

AI 还会继续变。对普通人来说，更值得关注的，是它能不能稳定做好一件事，让你少花时间、少返工，也更放心。