这篇不排名，而是给你一套可复用的同题测试方法，并用同一套题看这几个模型的表现倾向。

测试题设计（5 类）

1. 事实类：问一个近期公开事件的时间线。
2. 逻辑类：一道需要多步推理的应用题。
3. 长文类：给 1 万字材料，要求提取要点并指出矛盾处。
4. 写作类：给受众和约束写一段 300 字文案。
5. 代码类：让它们修一个带边界条件 bug 的函数。

观察倾向

• DeepSeek：逻辑与代码题完成度稳定，长上下文不易跑偏。
• Kimi：长文类表现突出，摘要层次清楚，喜欢给结构化输出。
• 豆包：写作与日常问答顺手，语气自然，速度体验好。
• 通义千问：文档与表格类任务省事，输出格式规范。
• 腾讯元宝：生态联动方便，日常问答稳，适合微信场景。

怎么自己测

固定题目、固定提示词、固定轮次，逐条记录「可用 / 需修改 / 不可用」。测 20 题就能看出哪个模型更适合你的日常任务——别人的排名永远不如你自己的二十道题。

本文为编辑整理的使用观察，不含厂商赞助，具体能力随模型版本变化，请以你自己的实测为准。