晴空ClearSky——大模型评测作业

[晴空ClearSky]

这个作业属于哪个课程	2501_CS_SE_FZU
团队名称	晴空ClearSky
这个作业要求在哪里	软件工程实践——大模型评测作业-CSDN社区
这个作业的目标	通过对于一些大模型的测评、思辨、总结，了解软件工程原则在实践中的体现，初步掌握一些软件测评的方法。
其他参考文献	①阿里云百炼-API参考②软件工程 案例分析作业_软件工程例子-CSDN博客

目录

• 第一部分 调研与评测
• 1. 大模型1（Qwen3-Max）
• 1.1 体验
• 1.1.1 简介
• 1.1.2 主要功能使用情况
• 1.1.3 优缺点分析
• 1.1.4 改进意见
• 1.1.5 用户采访
• a.采访对象背景与需求
• b.实际使用的产品栏目
• c.使用中的亮点与问题
• d.用户体验改进建议
• 1.2 自动化测试
• 1.2.1 评测指标
• 1.2.2 评测过程
• 1.2.3 评测结果
• 1.3 模型小结
• 2. 大模型2（DeepSeek-v3）
• 2.1 体验
• 2.1.1 简介
• 2.1.2 主要功能使用情况
• 2.1.3 优缺点分析
• 2.1.4 改进意见
• 2.1.5 用户采访
• a.采访对象背景与需求
• b.实际使用的产品栏目
• c.使用中的亮点与问题
• d.用户体验改进建议
• 2.2 自动化测试
• 2.2.1 评测指标
• 2.2.2 评测过程
• 2.2.3 评测结果
• 2.3 模型小结
• 3. 大模型购车测评总结
• 3.1 客观得分对比
• 3.2 主观体验分析
• 3.2.1 推荐车型
• 3.2.2 响应长度
• 3.2.3 知识准确性和参数分析
• 3.2.4 沟通自然度
• 3.2.5 结构化输出
• 3.3 最终结论
• 第二部分 分析
• 4. 同类产品对比
• 5. 软件工程方面的建议
• 6. 大模型性能不同的原因分析
• 7. 市场概况
• 7.1 中国市场表现
• 7.2 全球影响力
• 8. 产品未来可能的规划
• 8.1 NABCD分析
• 8.1.1 N (Need - 需求)
• 8.1.2 A (Approach - 做法)
• 8.1.3 B (Benefit - 好处)
• 8.1.4 C (Competitors - 竞争)
• 8.1.5 D (Delivery - 推广)
• 8.2 团队角色配置（6人，4个月）
• 8.3 16周详细规划
• 8.4 创新点
• 8.5 用户使用产品理由
• 9.大模型对软件工程专业学生的影响
• 10. 团队绩效

第一部分 调研与评测

1. 大模型1（Qwen3-Max）

1.1 体验

1.1.1 简介

Qwen3-Max 是阿里云推出的通义千问系列中性能最强的大语言模型之一，面向复杂、多步骤的任务场景进行优化。该模型在推理能力、上下文理解、多轮对话连贯性以及结构化输出方面表现突出，适用于需要高准确率与强逻辑性的应用场景，如智能客服、专业咨询、代码生成与决策辅助等。

1.1.2 主要功能使用情况

• 对话与问答。这是最基础、最直观的功能，体现模型的理解和回应能力。使用样例如下：

• 内容创作与文本生成。体现模型的创造性和语言组织能力。使用样例如下：

• 信息提取与总结。体现模型处理和理解长文本信息的能力。使用样例如下：

• 逻辑推理与编程。体现模型的逻辑思维和代码能力。使用样例如下：

• 角色扮演与情景模拟。体现模型的适应性和一致性。使用样例如下：

• 多语言翻译。体现模型的语言能力。使用样例如下：

• 创意与联想。体现模型的发散思维能力。使用样例如下：

1.1.3 优缺点分析

• 优点：①通用知识覆盖和专业领域理解表现优异；②在启用搜索后，事实性回答的准确率高，能引用权威来源并标注信息出处；③逻辑推理和代码生成能力在同类模型中处于领先水平。
• 缺点：①若未启用搜索功能，模型仍受限于其训练数据截止时间（2025 年中），在处理高度时效性问题时可能出现信息滞后；②文件支持格式有限（目前主要支持纯文本），不支持 cpp、json 等常见文档的直接解析；③启用联网搜索与深度思考后，响应时间较长。

1.1.4 改进意见

• 增加cpp、json格式文件直接解析。
• 改善搜索交互体验，预估响应时间，允许用户选择数据源偏好，比如限制在政务专栏、学术数据库等。

1.1.5 用户采访

采访剪影材料图：

a.采访对象背景与需求

采访对象：计算机专业研一某学生

选择原因：计算机专业学生具备扎实的计算机科学理论基础和一定的实践经验，对大模型术有更深入的了解和认识。他能够从技术角度深入分析大模型的架构、算法、性能等方面，提供专业的见解和评价。

核心需求：

• 代码生成：使用该大语言模型生成代码并辅助开发

• 数学计算：帮助用户进行一些特定的数学计算

b.实际使用的产品栏目

代码生成，数学计算。

c.使用中的亮点与问题

• 亮点：该大语言模型对于一些篇幅较短的问题时，能给出较为不错的回答，并且响应速度较快，效率能够满足用户的需求。

• 问题：该大语言模型在面对一些较长的问题时，给出的回答有缺漏甚至是答非所问，并且，在部分情况下，给出的答案不准确。

d.用户体验改进建议

• 希望该大语言模型在回答一些较为抽象的问题时有更好的表现；

• 能够在回答问题时生成更加完整具体的代码。

1.2 自动化测试

编写了简单的Python自动化测试脚本，从不同方面提出问题，对模型回答进行简单分析加权赋分，并自动生成csv表格结果、JSON结果、可视化雷达图、柱状图、热力图。对于Qwen3-max模型的测试脚本，请参见以下附件（API_KEY已隐去）：

ModelTest-qwen3-max.py 49.80K

同时提供相关依赖自动安装脚本，请参见以下附件：

install_dependencies.py 2.34K

1.2.1 评测指标

每项指标平均得分满分为10分。

$$
加权得分=平均得分*权重
$$

$$
总体得分=加权得分总和/权重总和
$$

评测指标	指标说明	权重
需求理解能力	评估模型理解用户购车需求的能力。包括对预算、使用场景（如通勤）、具体需求（如空间、安全）的理解和回应。	1.2
推荐相关性	评估模型推荐车型与用户需求的匹配程度。推荐的车型是否在预算内，是否符合用户的使用场景和具体需求。	1.3
参数分析能力	评估模型分析和对比车型参数的能力。包括对动力性能、油耗/电耗、安全配置、保值率、品牌口碑等参数的分析。	1.1
上下文一致性	评估模型在多轮对话中保持推荐一致性的能力。在后续对话中是否保持对之前提及的候选车型的讨论，而不是无故切换。	1
决策支持能力	评估模型提供最终决策建议的合理性。是否能够综合考虑所有因素，给出明确的最终推荐，并详细说明理由。	1.2
知识准确性	评估模型提供车型信息的准确程度。提供的数据是否具体、详细，避免模糊表述，并且没有明显错误。	1.1
结构化输出	评估模型生成表格和结构化信息的能力。是否能够以表格形式清晰对比车型参数，表格格式是否规范。	0.9
沟通自然度	评估模型对话的自然流畅程度。回答是否通顺、符合人类表达习惯，是否具有友好的交流态度。	0.8

1.2.2 评测过程

执行脚本后，脚本将自动开始测评，同时指明当前测评模型，输出测评过程中的缩略信息，最终决策完成后将自动对模型进行指标评测并自动生成CSV、JSON报告以及指标的雷达图、柱状图、场景热力图。

测评过程如下：

1.2.3 评测结果

• 总体得分: 9.05/10
• 各指标得分:
  需求理解能力: 10.0/10
  推荐相关性: 10.0/10
  参数分析能力: 8.42/10
  上下文一致性: 8.67/10
  决策支持能力: 10.0/10
  知识准确性: 7.17/10
  结构化输出: 10.0/10
  沟通自然度: 7.5/10
• 测试场景: 城市通勤场景
  候选车型: 丰田-凯美瑞, 本田-CRV, 比亚迪-汉EV, 大众-迈腾, 特斯拉-Model3
  最终推荐: 比亚迪-汉EV
• 测评CSV格式报告，请参见以下附件：

car_purchase_evaluation_report_20251025_160753.csv 3.75K

• 测评JSON格式报告，请参见以下附件：

car_purchase_evaluation_report_20251025_160753.json 32.02K

• 雷达图如下：

• 柱状图如下：

• 场景热力图如下：

1.3 模型小结

• 定性：非常推荐

• 定量：总体得分: 9.05/10

2. 大模型2（DeepSeek-v3）

2.1 体验

2.1.1 简介

DeepSeek-v3 是DeepSeek系列一款通用的文字模型，专注于文本理解、生成与多轮交互等复杂任务场景。该模型在推理逻辑、上下文保持及代码生成等方面表现优异，适用于智能问答、数据分析、教学辅助、内容创作及程序开发等多种应用。

2.1.2 主要功能使用情况

• 对话与问答。这是最基础、最直观的功能，体现模型的理解和回应能力。使用样例如下：

• 内容创作与文本生成。体现模型的创造性和语言组织能力。使用样例如下：

• 逻辑推理与编程。体现模型的逻辑思维和代码能力。使用样例如下：

• 角色扮演与情景模拟。体现模型的适应性和一致性。使用样例如下：

• 多语言翻译。体现模型的语言能力。使用样例如下：

• 创意与联想。体现模型的发散思维能力。使用样例如下：

2.1.3 优缺点分析

• 优点：①功能覆盖面广，包括文本生成、内容创作、逻辑推理、代码编写、多语言翻译及文件读取等；②模型响应速度较快，普通模式下生成结果稳定且延迟低，能够快速输出逻辑清晰的回答；③DeepSeek-v3 在事实性问答、逻辑推理及代码生成方面表现稳定，尤其在技术与教育类场景中准确率较高。
• 缺点：①部分回答存在轻微“幻觉”现象；②多轮对话中上下文的连续性偶有丢失。

2.1.4 改进意见

• 增强模型对多轮对话中上下文信息的保持能力，减少长对话场景中的语义偏移问题。
• 增加对话分类、关键词检索与导出功能。

2.1.5 用户采访

采访剪影材料图：

a.采访对象背景与需求

采访对象：计算机系大二某学生

选择原因：DeepSeek-v3的一大特点是代码能力强，计算机系学生在这方面的应用频繁且贴近现实生活。

核心需求：代码修改、部分模块功能提示。

b.实际使用的产品栏目

算法优化，代码编写。

c.使用中的亮点与问题

• 亮点：做中小型任务时正确率高，针对不理解的点解释得很详细。

• 问题：有时会答非所问、修改不到正确的点。

d.用户体验改进建议

• 对用户问题的理解还需加强，有的时候不能准确理解指令的意思；
• 对代码格式要求太高导致反而忽略重点；
• 在持续修改的过程中答非所问、忘记之前的指令。

2.2 自动化测试

编写了简单的Python自动化测试脚本，从不同方面提出问题，对模型回答进行简单分析加权赋分，并自动生成csv表格结果、JSON结果、可视化雷达图、柱状图、热力图。对于DeepSeek-v3模型的测试脚本，请参见以下附件（API_KEY已隐去）：

ModelTest-deepseek-v3.py 49.80K

同时提供相关依赖自动安装脚本，请参见以下附件：

install_dependencies.py 2.34K

2.2.1 评测指标

与1.2.1节相同，请参见1.2.1节。

2.2.2 评测过程

执行脚本后，脚本将自动开始测评，同时指明当前测评模型，输出测评过程中的缩略信息，最终决策完成后将自动对模型进行指标评测并自动生成CSV、JSON报告以及指标的雷达图、柱状图、场景热力图。

测评过程如下：

2.2.3 评测结果

• 总体得分: 8.97/10
• 各指标得分:
  需求理解能力: 10.0/10
  推荐相关性: 10.0/10
  参数分析能力: 7.42/10
  上下文一致性: 8.33/10
  决策支持能力: 10.0/10
  知识准确性: 7.17/10
  结构化输出: 10.0/10
  沟通自然度: 8.5/10
• 测试场景: 城市通勤场景
  候选车型: 丰田-凯美瑞, 本田-雅阁, 大众-迈腾, 比亚迪-汉DM, 吉利-星瑞L
  最终推荐: 比亚迪-汉DM
• 测评CSV格式报告，请参见以下附件：

car_purchase_evaluation_report_20251025_161624.csv 3.50K

• 测评JSON格式报告，请参见以下附件：

car_purchase_evaluation_report_20251025_161624.json 23.90K

• 雷达图如下：

• 柱状图如下：

• 场景热力图如下：

2.3 模型小结

• 定性：推荐

• 定量：总体得分: 8.97/10

3. 大模型购车测评总结

3.1 客观得分对比

评测指标	Qwen3-Max	DeepSeek-v3
需求理解能力	10.0	10.0
推荐相关性	10.0	10.0
参数分析能力	8.42	7.42
上下文一致性	8.67	8.33
决策支持能力	10.0	10.0
知识准确性	7.17	7.17
结构化输出	10.0	10.0
沟通自然度	7.5	8.5
总体得分	9.05	8.97

从客观得分来看，Qwen3-Max在参数分析能力和上下文一致性上略高于DeepSeek-v3，而DeepSeek-v3在沟通自然度上略高于Qwen3-Max。其他指标上两者持平。总体得分Qwen3-Max（9.05）略高于DeepSeek-v3（8.97），但差距不大。

3.2 主观体验分析

3.2.1 推荐车型

• 两个模型都给出了5款候选车型，并且都选择了比亚迪汉系列（Qwen3-Max推荐汉EV，DeepSeek-v3推荐汉DM）作为最终推荐。这表明两个模型都能够把握用户的需求（城市通勤、预算20万左右）并做出合理的推荐。
• 从候选车型列表来看，Qwen3-Max的推荐包括丰田凯美瑞、本田CR-V、比亚迪汉EV、大众迈腾、特斯拉Model3，覆盖了日系、德系、中美电动车。DeepSeek-v3的推荐包括丰田凯美瑞、本田雅阁、大众迈腾、比亚迪汉DM、吉利星瑞L，覆盖了日系、德系、国产混动和燃油车。两者都具有一定的多样性。

3.2.2 响应长度

• Qwen3-Max的响应普遍较长（阶段1:1391字符，阶段2:1500-2000字符，阶段3:2431字符，阶段4:1663字符），说明它提供了更详细的信息。
• DeepSeek-v3的响应相对简洁（阶段1:783字符，阶段2:900-1400字符，阶段3:3077字符，阶段4:1395字符），但在表格对比阶段（阶段3）提供了更长的响应，说明它可能生成了更详细的表格。

3.2.3 知识准确性和参数分析

两个模型在知识准确性上得分相同（7.17），但Qwen3-Max在参数分析能力上得分更高（8.42 vs 7.42）。这意味着Qwen3-Max在分析车辆参数（如动力、能耗、安全配置等）时表现更好。

3.2.4 沟通自然度

DeepSeek-v3在沟通自然度上得分更高（8.5 vs 7.5），说明它的对话更自然流畅，用户体验可能更好。

3.2.5 结构化输出

两个模型在结构化输出上都得了满分（10.0），说明它们都能很好地生成表格和结构化信息。

3.3 最终结论

推荐选择：Qwen3-Max

理由：

• Qwen3-Max技术专业性更强：在参数分析这一关键维度显著领先。

• Qwen3-Max分析深度更优：对车辆技术特性的解读更透彻。

• Qwen3-Max推荐逻辑更严谨：上下文一致性更好，决策过程更透明。

• Qwen3-Max信息量更丰富：虽然沟通稍显正式，但提供了更多有价值信息。

  两款模型在购车推荐任务中都表现出色，总体得分接近9分，说明都具备了优秀的汽车顾问能力。

  对于大多数购车用户而言，Qwen3-Max的专业深度更能满足复杂的购车决策需求，因此获得本次评测的推荐。

使用场景建议：

• 选择 Qwen3-Max ：

  • 用户对汽车技术参数有较高要求。

  • 需要深入的技术对比分析。

  • 重视推荐的系统性和逻辑性。

  • 不介意相对正式的表达风格。

• 选择 DeepSeek-v3 ：

  • 用户更看重沟通的自然流畅。

  • 希望获得简洁明了的建议。

  • 对技术细节要求不是特别高。

  • 偏好更人性化的交互体验。

第二部分 分析

4. 同类产品对比

Qwen3-max发布时期同类产品对比图：

DeepSeek-v3发布时期同类产品对比图：

简单的大模型决策图：

5. 软件工程方面的建议

建议大模型能够增强生成代码的可测试性。

希望大模型能够在生成代码前先产出测试用例：
用户需求 → 生成测试用例 → 基于测试用例生成代码 → 验证通过。

这样可以减少调试时间，使得问题在代码生成阶段就能够被发现，生成的代码更容易融入现有测试框架。

6. 大模型性能不同的原因分析

不同大模型性能不同的主要原因有以下几点：

• 模型规模不同：包括参数量、层数、隐藏层维度等因素。通常模型规模越大，性能越好，但需要平衡计算成本。

• 训练数据量不同：包括数据量、质量、多样性等因素。高质量、大规模、多样性的数据有助于模型学习更广泛的知识。

• 训练策略存在差异：包括优化算法、学习率调度、正则化方法等。训练策略的选择对模型性能有重要影响。

• 模型架构存在差异：不同的架构设计会影响模型的表现。

• 评估基准：不同的评估标准和测试集也可能导致不同的性能结果。

7. 市场概况

2025上半年中国企业级市场日均大模型调用量达 10.2万亿Tokens。相较2024年下半年，日均调用量暴增363%。超过80% 的企业未来预计将采用开源大模型。 71% 的企业计划增加对公有云形态生成式AI服务的投入。

7.1 中国市场表现

Qwen3-Max

• 技术地位：作为阿里云通义千问的最新旗舰模型，在国内处于第一梯队。
• 中文能力：在古文理解、诗词创作、中文推理等方面表现优异。
• 生态整合：深度整合到阿里云生态，在企业级市场渗透率较高。
• 行业应用：在金融、电商、政务等领域有广泛应用。

DeepSeek-V3

• 技术特色：以高性价比和强大推理能力著称。
• 市场定位：主打“性能与成本的最佳平衡”，受到中小企业青睐。
• 创新应用：在代码生成、数学推理等垂直领域表现突出。
• 用户口碑：凭借免费策略和优秀性能积累了良好用户基础。

7.2 全球影响力

Qwen3-Max

• 国际排名：在多个国际基准测试中位列前茅，与GPT-5等模型竞争。
• 多语言能力：支持多种语言，但在英语等语言上仍需提升。
• 国际化进程：通过阿里云国际化布局逐步拓展海外市场。

DeepSeek-V3

• 技术突破：在MT-Bench、IFEVAL等权威榜单上取得优异成绩。
• 成本优势：以极低的推理成本提供接近顶级模型的性能。
• 开源策略：通过开源方式获得全球开发者关注和采用。
• 特色能力：128K上下文长度和强大的推理能力受国际认可。

8. 产品未来可能的规划

我们团队假设要优化Qwen3-max模型，新增功能为：“交互式代码调试与优化助手”。

8.1 NABCD分析

8.1.1 N (Need - 需求)

软件工程师在日常编码中经常遇到代码调试和性能优化的问题，尤其是复杂代码的调试和性能瓶颈定位。目前的大模型虽然能生成代码，但缺乏交互式调试和深度优化指导。用户需要的是一个能够理解代码上下文、设置断点、逐步执行、分析性能瓶颈并提供优化建议的智能助手。

8.1.2 A (Approach - 做法)

我们将在Qwen3-max模型中集成一个交互式代码调试与优化模块。该模块允许用户：
上传代码或指定代码段，设置断点。
模型模拟执行代码，并逐步展示执行过程（变量变化、函数调用栈等）。
自动检测代码中的潜在问题（如性能瓶颈、内存泄漏等）。
提供优化建议，并允许用户与模型交互以获取更详细的解释。
生成优化后的代码，并对比优化前后的性能。

8.1.3 B (Benefit - 好处)

提高调试效率：用户无需在IDE和模型之间切换，一站式完成代码调试和优化。
深度代码理解：模型利用其强大的代码理解能力，提供更准确的调试和优化建议。
学习与提升：用户可以通过模型的解释学习到代码优化和调试的技巧。

8.1.4 C (Competitors - 竞争)

目前市场上已有一些代码调试工具（如IDE自带的调试器）和静态代码分析工具（如SonarQube），但它们缺乏与自然语言交互的能力。也有一些AI代码助手（如GitHub Copilot）提供代码建议，但不提供交互式调试和深度性能优化。我们的功能将结合调试器和AI的优势，提供更智能的交互体验。

8.1.5 D (Delivery - 推广)

作为Qwen3-max模型的一个特色功能，在官方文档和演示中突出展示。
针对开发者社区，举办线上教程和竞赛，鼓励使用该功能。
与热门IDE插件集成，方便用户使用。

8.2 团队角色配置（6人，4个月）

项目经理（1人）：负责项目进度管理、资源协调、风险管理。
后端开发（2人）：负责模型功能集成、调试器后端逻辑、性能分析模块。
前端开发（1人）：负责用户界面开发，实现代码编辑器、调试控制台等。
测试工程师（1人）：负责功能测试、性能测试、用户体验测试。
美工/UI设计师（1人）：负责界面设计，确保用户体验友好。

8.3 16周详细规划

第1-4周：需求分析与设计

第1周：项目启动，明确需求，技术调研。
第2周：制定详细的产品需求文档和设计文档。
第3周：UI/UX设计，输出界面原型。
第4周：技术架构设计，确定技术栈，制定开发计划。

第5-8周：核心开发阶段

第5周：搭建开发环境，后端开发开始实现代码解析和模拟执行模块。
第6周：后端开发继续，前端开发开始根据设计实现界面。
第7周：后端实现调试控制逻辑，前端实现代码编辑器和调试控制器。
第8周：前后端联调，实现基本的代码调试流程。

第9-12周：功能增强与集成

第9周：集成性能分析模块，后端开发性能检测算法。
第10周：实现优化建议生成，并与模型交互。
第11周：前端优化，提升用户体验。
第12周：前后端集成测试，修复重大问题。

第13-16周：测试与发布

第13周：内部测试，收集反馈，进行迭代。
第14周：Beta版发布，邀请外部用户测试。
第15周：根据反馈优化，修复bug。
第16周：正式发布，准备发布文档和宣传材料。

8.4 创新点

交互式调试：将传统调试器的逐步执行与自然语言交互结合，用户可以用自然语言询问调试过程中的问题。
智能优化建议：不仅指出问题，还提供优化建议，并生成优化后的代码。
性能分析集成：在调试过程中实时分析性能，定位瓶颈。

8.5 用户使用产品理由

一站式解决方案：无需在多个工具间切换，一个界面完成编码、调试、优化。
智能辅助：利用大模型的代码理解能力，提供更深入的调试和优化建议。
学习工具：通过模型的解释，用户能够学习到代码优化的技巧，提升自身能力。

9.大模型对软件工程专业学生的影响

协助日常学习工作

大语言模型可以作为编程学习的助手，帮助解答问题、解释概念、提供代码示例，从而加速学习过程。例如，当遇到不理解的算法或语法时，可以立即向模型提问，获得即时帮助。

在完成编程作业或项目时，大语言模型能够生成代码片段，帮助实现特定功能，同时也能辅助调试，解释错误信息，提供修复建议，节省大量时间和精力。

在撰写技术报告、文档或论文时，大语言模型可以帮助整理思路、润色文字、检查语法，提高写作效率和质量。

大语言模型可以协助完成一些重复性的任务，如生成脚本、处理数据、自动生成测试用例等，提高效率。

不能过度依赖大语言模型

过度依赖大语言模型可能导致独立思考能力和解决问题能力的下降。此外，模型可能提供错误的信息，需要批判性思维来辨别。

使用大语言模型时，需要注意代码的版权问题，避免直接使用模型生成的代码而侵犯知识产权。同时，注意保护隐私，不要输入敏感信息。

大语言模型为软件工程专业的学生提供了强大的工具，但需要合理使用，将其作为辅助而非替代，同时保持批判性思维和持续学习的态度。

10. 团队绩效

学号	实际工作内容	贡献度
102300107	负责第8.1节，对大模型可能的新功能模块产品规划进行NABCD分析。	12%
102300121	负责第1.1.5节，对Qwen3-Max模型进行用户采访。	12%
102300207	负责第4到7节，对不同大模型进行对比分析，调研市场概况，在软件工程方面对大模型提出建议，协助调试自动化测评脚本。	12%
102300211	负责第2.1节、第8.2到8.5节，分析体验大模型DeepSeek-v3，完成对大模型可能的新功能模块产品规划进行具体团队规划。	12%
102300312	负责1.1节，分析体验大模型Qwen3-Max。	12%
102300408	负责2.1.5节，对DeepSeek-v3模型进行用户采访。	12%
102300432	负责1.2到1.3节、2.2到2.3节、第9、10节，设计全自动测评脚本，对两款大模型进行自动化测试并分析评测结果，说明大模型对软件工程大学生的影响，分配任务撰写博客。	16%
102300434	负责答辩PPT制作，协助调试自动化测评脚本。	12%