我平时做项目管理，会同时接触业务设计、UI、方案编写、产品汇报、coding等工作，用下来一个很明显的感受是：评价 AI 如果只看 Coding，其实很片面。 Coding 当然重要，也很考验推理、任务拆解和纠错能力，但它有一个天然优势—— 特别容易测。 代码能不能跑、测试能不能过、Bug 能不能修，结果都很直观，所以技术圈很容易把“Coding 强”直接等同于“模型强”。 但在很多非 Coding 场景里，我更看重： 分析过程是否严谨，最终结论是否清晰。 而且这里说的是简单提示词、普通用户自然提问的情况，不是靠复杂 Prompt 调教出来的结果。 举个例子：让模型根据当天行情判断某只基金是否值得买。我希望它主动搜集当天行情、板块走势和相关信息，把利好、风险、关键变量讲清楚，再基于这些证据给出明确结论：今天适不适合买、什么情况下可以买、后面重点观察哪些节点。 就这个场景来说，我自己的实际体验是： GPT 最强，DeepSeek 中等，Gemini 和 Grok 基本属于路边一坨。 后两者经常说了一堆正确但泛泛的话，最后落到“市场存在不确定性”“建议结合自身风险承受能力”。看起来分析了很多，实际上最关键的问题—— 今天到底该不该买 ——还是没回答。 写方案、做汇报、整理需求其实也是一样。真正影响体验的，不只是模型知道多少、能写多少，而是它能不能把 事实、推断、依据、风险和结论 组织成一条完整的逻辑链。 所以觉得： Coding 能力很重要，但模型真正的综合能力，还得看它面对开放问题时，能不能严谨地分析，并给出清晰的判断。 7 个帖子 - 7 位参与者 阅读完整话题

  • 情报分类：商业与市场研究
  • 分类依据：内容涉及商业、投资或市场动态
  • 信息来源：服务器 / LINUX DO - 最新话题
  • 发布时间：2026/9/15 09:51:02