赛博厨神队——大模型评测作业

[赛博厨神队]

这个作业属于哪个课程	2501_CS_SE_FZU
团队名称	赛博厨神队
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	针对优质大模型进行测评，并且以此了解相关的运行原理和市场规律
其他参考文献	无

---

目录

• 第一部分：调研，评测
• 1.1 大模型一：阿里百炼（qwen-turbo）
• 1.1.1 使用体验相关
• 1.1.1.1 产品简介及基本功能
• 1.1.1.2 优缺点分析
• 1.1.1.3 改进建议
• 1.1.1.4 用户采访
• 1.1.2.1 评测问题指标
• 1.1.2.2 评测结果
• 1.响应性能数据
• 2.回答内容量
• 3.专业能力深度分析
• 4.最终结论
• 1.2 大模型二：DeepSeek（deepseek-chat）
• 1.2.1 使用体验相关
• 1.2.1.1 产品简介及基本功能
• 1.2.1.2 优缺点分析
• 1.2.1.3 改进建议
• 1.2.1.4 用户采访
• 1.2.2 自动化测试
• 1.2.2.1 评测问题指标
• 1.2.2.2 评测结果
• 1.响应性能数据
• 2.回答内容量
• 3.专业能力深度分析
• 4.最终结论
• 1.3 对比以及结论
• 1.3.1 量化评分对比
• 1.响应时间
• 2.tokens数量
• 3.人工打分：核心维度
• 4.人工打分：细节对比
• 5.多维度综合打分
• 1.3.2 各问题专项表现
• 1.3.3 核心指标汇总表
• 1.3.4 结论
• 第二部分：分析
• 2.1 同类产品对比排名
• 2.1.1 核心特性对比
• 2.1.2 性能表现对比
• 2.2 软件工程方面的建议
• 2.2.1 程序层面：算法/数据结构体现
• 2.2.2 软件工程层面：服务、文档、协作机制
• 2.2.3 商业层面：商业模式与竞争优势
• 2.2.4 小结
• 2.3 市场概况
• 2.4 产品规划
• 第三部分：团队绩效

---

第一部分：调研，评测

1.1 大模型一：阿里百炼（qwen-turbo）

1.1.1 使用体验相关

以下是根据所收集的数据针对该模型做出的一个综合评估分析：

1.1.1.1 产品简介及基本功能

阿里百炼是阿里巴巴集团推出的AI模型服务与应用开发平台，其主要功能可以简要概括为以下三点：

一站式模型服务
阿里百炼集成了阿里自研的通义系列大模型及国内外主流开源模型，为企业与开发者提供统一的模型调用服务。用户无需自行构建复杂的基础设施，即可便捷地访问和调用高性能的AI模型能力。

高效的应用开发工具
平台提供可视化的应用搭建工具、Prompt编排与调试功能，以及丰富的插件生态（如知识库检索、代码解释器等），显著降低了AI应用的门槛，帮助开发者快速构建、测试和部署智能应用。

企业级解决方案与定制能力
针对企业场景需求，百炼支持模型微调、领域知识增强及私有化部署，确保数据安全与业务适配。同时提供行业解决方案模板，助力企业在营销、客服、内容创作等场景高效实现智能化升级。

1.1.1.2 优缺点分析

优点	缺点
与阿里云的各种产品和服务无缝集成，部署和管理相对方便。	对于个人开发者或小团队而言，学习成本和上手难度可能高于一些更轻量的平台
用户可以根据不同场景灵活选择或快速切换，避免被单一模型绑定	虽然模型选择多，但其核心自研模型在某些特定任务上的表现可能仍与全球顶尖的闭源模型有一定差距
专业性强且工具链完善，降低了构建复杂企业级AI应用的门槛	作为企业级服务，成本可能较高
安全性高，对于对数据安全有高要求的企业有较大吸引力	生态与社区相对年轻，遇到问题时可获取的社区资源可能相对有限

1.1.1.3 改进建议

缺点一：相对复杂性

问题核心：功能强大但学习曲线陡峭，对中小型开发者和团队不友好。

改进建议：

1.推出“极简模式”或“开发者沙箱”：提供一个预设好通用配置的简化界面，隐藏高级功能，让用户仅需几步就能快速调用模型并看到结果，降低初始使用门槛。
2.强化引导与场景化模板：内置更多针对常见场景（如智能客服、内容生成、数据分析）的“一键部署”模板和工作流，用户只需修改少量参数即可使用，无需从零开始构建。
3.分级产品线：明确区分“百炼Pro”（面向企业专家）和“百炼Lite”（面向个人和轻量应用）两个产品线，在功能、定价和用户界面上做彻底区分。

缺点二：成本可能较高

问题核心：定价模式不透明或对低频/小规模应用不经济。

改进建议：

1.推出极具吸引力的免费额度：不仅对新用户，对老用户每月也应提供一定量的免费调用额度，这能极大地鼓励实验、学习和原型构建，培养用户习惯。
2.简化并透明化定价：提供清晰的计算器，让用户能轻松预估成本。推出更适合初创团队的“固定月费套餐”，包含一定量的调用和基础服务，消除成本不确定性。
3.引入成本优化工具：在平台内内置成本监控和优化建议功能，例如提示用户哪些任务可以切换到性价比更高的模型，或者自动识别并告警异常消耗。

缺点三：生态与社区相对年轻

问题核心：开发者社区活跃度和资源丰富度不足。

改进建议：

1.打造标杆性的开发者支持计划：设立专门的“百布道师”或MVP计划，重奖产出优质教程、代码示例和解决社区问题的核心开发者。
2.共建开源生态：将一些核心工具链（如RAG引擎、智能体框架）开源，吸引开发者参与贡献，并围绕这些开源项目构建百炼的生态，实现互利共赢。
3.举办高频次的线上/线下活动：定期举办技术沙龙、黑客松和案例分享会，并录制为高质量内容分发，持续保持平台的热度和吸引力，促进用户之间的交流。

缺点四：模型性能的特定性

问题核心：自研模型在部分前沿任务上与国际顶尖水平存在差距。

改进建议：

1.设立公开的、持续更新的评测基准：在官网显著位置展示百炼上各模型（包括千问和第三方模型）在权威标准数据集上的性能排名和对比结果。这既体现了自信，也帮助用户做出科学选择。
2.加大投入“特色竞技场”：与其全面追赶，不如集中资源在几个关键领域做到极致，例如：

中文理解与生成：利用中文母语优势，在古诗词、对联、专业术语、法律文书等领域建立绝对优势。

电商与零售：深度结合阿里生态，打造在商品描述、营销文案、客户洞察方面无可匹敌的垂直模型。

3.建立更开放的模型共创机制：邀请顶尖企业和研究机构，利用百炼的平台对其领域数据进行精调，共同发布行业大模型，将平台的工具能力与各行业的专业知识深度融合。

1.1.1.4 用户采访

1、采访对象背景和需求

采访对象：软件工程专业的大三学生

核心需求：代码检查、学习算法、算法优化

2、实际使用的产品栏目

代码检查、算法学习

3、使用过程中遇到的问题和亮点

问题：复杂问题回答不准确或者有所缺漏；专业性强的知识回答不准确

亮点：响应快；回答问题比较全面

4、用户体验改进的建议

（1）增强对长文本上下文的理解和连贯性
（2）优化对多步骤任务的分步处理能力。
（3）提升对领域知识的覆盖。

以下是采访截图：

1.1.2 自动化测试

以下是根据六个核心购车问题对该模型做出的一系列评估测试：

1.1.2.1 评测问题指标

问题简介	具体内容
基础购车意图	我最近打算买车，预算大约20万元左右，主要用于城市通勤，希望空间舒适、安全性高。请推荐3款合适的车型，并简要说明推荐理由。
动力与续航对比	请根据上面的候选车型，从动力表现与续航能力角度进行详细分析，并指出优劣。
油耗与经济性	请比较这几款车在油耗或能耗方面的差异，给出哪款更适合日常城市使用。
安全配置与空间表现	请生成一张包含三款车型的安全配置与空间参数对比表。
品牌口碑与保值率	请结合品牌口碑与二手车保值率综合分析，给出推荐顺位。
最终决策	请综合以上所有信息，给出最终推荐车型，并说明理由。

以下是评测指标：

评测指标	指标注明	指标权重
token数量化+时间量化	token_score = min(tokens / target_tokens, 1)，target_tokens = 200	0.4
ai评测	time_score = min(target_time / elapsed_ms, 1)，target_time = 6000ms	0.2
人工判断连贯性	人工对于ai输出的内容进行评估分析，对上下文的逻辑性进行打分	0.1
人工总体打分	人工分析ai输出内容的合理性，针对技术和市场分析逻辑进行打分	0.3

计算公式：

单回答总分=0.4(token数量化+时间量化)+0.2*(ai评测)+0.1*(人工判断连贯性)+0.3(人工总体打分)

模型总分=单回答平均分0.7+人工打分0.3

token_time_score = 0.5 * token_score + 0.5 * time_score

其中：token_score = min(tokens / target_tokens, 1)，target_tokens = 200，time_score = min(target_time / elapsed_ms, 1)，target_time = 6000ms

1.1.2.2 评测结果

1.响应性能数据

平均响应时间：9,653毫秒

最快响应：购车推荐问题（5,638毫秒）

最慢响应：品牌口碑问题（14,814毫秒）

时间得分：平均0.93（目标6000ms）

2.回答内容量

平均token数：175.5个

最长回答：品牌口碑问题（289 tokens）

最短回答：购车推荐问题（75 tokens）

token得分：平均0.75（目标200 tokens）

3.专业能力深度分析

推荐车型：大众朗逸、本田思域、比亚迪秦PLUS DM-i

推荐理由：聚焦空间舒适性、安全性、燃油经济性三大核心维度

分析深度：基础参数对比，适合快速决策

优势：推荐逻辑清晰，适合初次购车用户

参考因素	具体分析
动力与续航分析对比	以特斯拉Model 3、比亚迪汉EV、小鹏P7为例，分析电机功率、加速性能、CLTC续航等基础参数
安全配置与空间分析	对比丰田RAV4、本田CR-V、大众途观L，关注气囊数量、主动安全配置、轴距空间等基础参数
品牌口碑与保值率分析	汇总10个主流品牌的5年保值率数据，按使用场景分类推荐

4.最终结论

核心优势	具体表现
极速响应	平均响应时间不到10秒，用户体验流畅
稳定输出	各问题表现均衡，质量波动小
简洁明了	回答直击要点，适合快速决策
实用导向	推荐理由贴近普通用户实际需求

适用场景
初次购车用户的快速咨询
需要快速比较基本参数的场景
对响应速度要求高的实时应用
基础购车知识普及

---

1.2 大模型二：DeepSeek（deepseek-chat）

1.2.1 使用体验相关

以下是根据所收集的数据针对该模型做出的一个综合评估分析：

1.2.1.1 产品简介及基本功能

DeepSeek是杭州深度求索人工智能基础技术研究有限公司推出的AI助手，专注于自然语言处理、图像分析、语音识别等领域的技术研发，其主要功能可以概括为以下几点：

强大的对话与知识问答：
作为一个纯文本模型，它能够进行流畅、深入的对话，并基于广阔的知识库提供准确的信息问答和支持。

复杂的推理与逻辑分析：
特别擅长处理需要多步骤逻辑推理的任务，例如解决数学难题、进行代码解析与调试、完成逻辑推理题等。

高效的编程辅助与内容生成：
在代码生成、解释以及文本创作、摘要、翻译等各类内容生成任务上表现出色，是一个全能的AI助手。

1.2.1.2 优缺点分析

优点	缺点
模型能力（尤其推理和代码）对标世界顶级模型，但完全免费，性价比极高	作为纯模型，知识库有截止日期，无法像搜索引擎那样实时更新
提供开源模型，开发者可自由下载、微调、商用，不受平台绑定	不支持图像生成，仅具备图文理解（视觉阅读）和文本输出能力
支持128K乃至更长的上下文，能处理超长文档和复杂对话，上下文窗口长	与阿里百炼这类平台相比，缺乏企业级所需的可视化精调、RAG编排、监控管理等全套工具链
支持联网搜索、多种文件格式上传解析，满足多场景需求，功能全面	所有能力提升依赖于官方对模型的迭代更新，用户无法像使用平台那样灵活切换或组合不同模型

1.2.1.3 改进建议

缺点一：知识更新延迟

改进建议：

1.默认开启并优化联网搜索：将联网搜索设为默认选项，并提升搜索结果的整合与摘要能力，让用户能无感、便捷地获取最新信息。

2.建立轻量级知识更新机制：在不进行全量训练的前提下，探索通过高频增量更新或RAG技术，为模型建立一个可定期更新的核心知识库。

缺点二：多模态能力局限

改进建议：

1.战略合作或接入图像生成模型：与优秀的图像生成模型（如Stable Diffusion等）达成合作，在官方应用或API中集成文生图功能，形成“图文理解+图文生成”的完整多模态闭环。

2.聚焦优势，拓展输出格式：在暂不生成图像的同时，优先增强文本输出的多样性，例如支持更复杂的排版、图表数据描述、Markdown渲染等，以文本形式最大化满足用户的创作需求。

缺点三：依赖自身迭代

改进建议：

1.发布更频繁的模型增量版本：建立更敏捷的发布流程，定期（如季度性）发布在最新数据上微调过的模型增量，让用户能感知到持续的进步。

2.构建“Model-as-a-Platform”生态：在开源模型基础上，打造一个允许社区贡献改进（如通过LORA模块）的轻量级平台，让开发者能共享和组合不同的能力模块，降低对单一官方模型的依赖。

缺点四：企业级工具链较弱

改进建议：

1.推出官方的“DeepSeek Stack”：开发或认证一套集成了模型部署、监控、RAG、精调UI的企业级工具包，让企业可以一键私有化部署，补齐工具链短板。

2.加强与云平台及现有工具的集成：积极与主流云厂商（AWS, GCP, Azure）以及LangChain、LlamaIndex等主流开发框架合作，提供官方的一键部署方案和深度集成，让企业能在其熟悉的环境中轻松使用DeepSeek。

1.2.1.4 用户采访

1、采访对象背景和需求

采访对象：计算机专业的某同级学生

核心需求：代码检查、代码优化、文件和图片分析

2、实际使用的产品栏目

代码生成和解释

3、使用过程中遇到的问题和亮点

问题：复杂问题会答非所问，持续修改的过程中会答非所问甚至忘记之前自己生成的回答；响应时间过长

亮点：准确性高，提供的解决方案多样；回答专业程度高，概述准确，便于理解

4、用户体验改进的建议

增加对文本和图片内容的提取分析

以下是采访截图：

1.2.2 自动化测试

以下是根据六个核心购车问题对该模型做出的一系列评估测试：

1.2.2.1 评测问题指标

问题简介	具体内容
基础购车意图	我最近打算买车，预算大约20万元左右，主要用于城市通勤，希望空间舒适、安全性高。请推荐3款合适的车型，并简要说明推荐理由。
动力与续航对比	请根据上面的候选车型，从动力表现与续航能力角度进行详细分析，并指出优劣。
油耗与经济性	请比较这几款车在油耗或能耗方面的差异，给出哪款更适合日常城市使用。
安全配置与空间表现	请生成一张包含三款车型的安全配置与空间参数对比表。
品牌口碑与保值率	请结合品牌口碑与二手车保值率综合分析，给出推荐顺位。
最终决策	请综合以上所有信息，给出最终推荐车型，并说明理由。

以下是评测指标：

评测指标	指标注明	指标权重
token数量化+时间量化	token_score = min(tokens / target_tokens, 1)，target_tokens = 200	0.4
ai评测	time_score = min(target_time / elapsed_ms, 1)，target_time = 6000ms	0.2
人工判断连贯性	人工对于ai输出的内容进行评估分析，对上下文的逻辑性进行打分	0.1
人工总体打分	人工分析ai输出内容的合理性，针对技术和市场分析逻辑进行打分	0.3

计算公式：

单回答总分=0.4(token数量化+时间量化)+0.2*(ai评测)+0.1*(人工判断连贯性)+0.3(人工总体打分)

模型总分=单回答平均分0.7+人工打分0.3

token_time_score = 0.5 * token_score + 0.5 * time_score

其中：token_score = min(tokens / target_tokens, 1)，target_tokens = 200，time_score = min(target_time / elapsed_ms, 1)，target_time = 6000ms

1.2.2.2 评测结果

1.响应性能数据

平均响应时间：54,161毫秒

最快响应：购车推荐问题（42,102毫秒）

最慢响应：动力分析问题（78,200毫秒）

时间得分：平均0.17（目标6000ms）

2.回答内容量

平均token数：251.2个

最长回答：动力分析问题（354 tokens）

最短回答：购车推荐问题（150 tokens）

token得分：平均1.0（全部达到目标）

3.专业能力深度分析

推荐车型：丰田凯美瑞、比亚迪宋PLUS DM-i、大众ID.4 CROZZ

推荐理由：涵盖品牌口碑、技术特点、使用场景、保值率等多维度

分析深度：技术参数详实，对比维度丰富

优势：专业深度足够，适合技术型用户

参考因素	具体分析
动力与续航分析对比	扩展至特斯拉Model 3、比亚迪海豹、小鹏P7i、极氪001四款车型，深入分析驱动方式、操控质感、实际续航达成率等技术细节
安全配置与空间分析	对比丰田凯美瑞、本田CR-V、特斯拉Model Y，深入分析车身结构、空间利用率、智能安全系统等进阶特性
品牌口碑与保值率分析	建立4个品牌梯队体系，深入分析口碑与保值率的因果关系，体现更强的市场洞察力

4.最终结论

核心优势	具体表现
内容深度	技术分析详尽，参数对比全面
专业洞察	市场趋势判断准确，分析维度丰富
结构化输出	表格、对比列表等格式规范
本土化理解	对中国市场车型有深入认知

适用场景
汽车爱好者的深度研究
专业技术参数对比需求
市场趋势分析报告
不介意等待时间的专业咨询

---

1.3 对比以及结论

1.3.1 量化评分对比

1.响应时间

2.tokens数量

3.人工打分：核心维度

4.人工打分：细节对比

5.多维度综合打分

评分维度	阿里百炼（bailian）	DeepSeek（deepseek）	优势方	备注（修正 / 说明）
整体表现分 (overall_score)	0.95	0.90	阿里百炼	原 0.945/0.898 修正，按 6 个问题平均分计算
专业度分 (professional_score)	0.92	0.88	阿里百炼	数据一致，无修正
响应速度分 (time_score)	0.93	0.17	阿里百炼	数据一致，无修正
内容长度分 (token_score)	0.75	1.0	DeepSeek	数据一致，无修正
人工连贯性分（0-1 分）	0.875	0.925	DeepSeek	新增维度，10 分制折算（阿里百炼平均 8.75 分，DeepSeek 平均 9.25 分）
人工总体分（0-1 分）	0.875	0.925	DeepSeek	新增维度，10 分制折算（评分逻辑：准确性 + 完整性 + 实用性）
单回答总分（0-1 分）	0.89	0.78	阿里百炼	新增维度，公式：0.4×token_time_score+0.2×overall_score+0.1× 连贯性分 + 0.3× 总体分
模型总分（0-1 分）	0.89	0.80	阿里百炼	新增维度，公式：单回答平均分 ×0.7 + 模型人工打分 ×0.3

1.3.2 各问题专项表现

问题类型	阿里百炼（单回答总分）	DeepSeek（单回答总分）	核心表现差异
购车推荐问题	0.82	0.76	阿里百炼响应快(5.6s)、逻辑清晰；DeepSeek内容详(150 tokens)、但耗时久(42.1s)
动力与续航分析问题	0.93	0.77	阿里百炼基础参数明确；DeepSeek技术细节丰富，但耗时最长(78s)拉低总分
油耗与经济性评估问题	0.92	0.80	阿里百炼聚焦城市使用场景；DeepSeek能耗成本测算更细，但响应慢
安全与空间对比问题	0.91	0.80	阿里百炼参数对比直观；DeepSeek空间利用率分析深入，连贯性最优
品牌口碑与保值率问题	0.91	0.77	阿里百炼分类推荐清晰；DeepSeek品牌梯队分析专业，但内容过长(354 tokens)
综合决策与最终推荐问题	0.83	0.79	阿里百炼决策果断（推荐Model Y）；DeepSeek本土化理解优（推荐银河L7），但耗时久

1.3.3 核心指标汇总表

模型	平均响应耗时 (ms)	平均 token 数	平均 token_score	平均 time_score	平均 overall_score	单回答平均分	模型总分	核心优势	核心劣势
阿里百炼（bailian）	9653	175.5	0.75	0.93	0.95	0.89	0.89	响应快、整体稳定、适合快速决策	部分回答细节不足
DeepSeek（deepseek）	56494	251.2	1.0	0.17	0.90	0.78	0.80	内容详、专业度高、适合深度研究	响应极慢、用户体验差

1.3.4 结论

在购车决策辅助场景下，阿里百炼在综合表现上略胜一筹，主要得益于其优异的响应速度和稳定的输出质量。虽然DeepSeek在内容深度上表现更好，但过长的响应时间严重影响了用户体验。

---

第二部分：分析

2.1 同类产品对比排名

阿里百炼 vs DeepSeek vs 同类产品

2.1.1 核心特性对比

特性维度	阿里百炼	DeepSeek	百度千帆	腾讯云
核心定位	企业级 AI 应用开发与集成平台	高性能基础模型 + 开发者生态	大模型智能体开发平台	大模型智能体开发平台
模型生态	通义系列 + 第三方模型接入	自研 DeepSeek 系列（部分开源）	文心系列 + 第三方	混元系列 + 第三方
上下文长度	最长 128K tokens （实验性探索百万级）	128K tokens	128K tokens	128K tokens
推理速度	高（阿里云底层优化）	高（轻量化设计，响应快）	中等	中等
成本效益	高 （阶梯计费 + 阿里云优惠）	极高 （API价格低 + 开源免费使用）	中等	中等
中文能力	4.5 / 5	4.5 / 5	5.0 / 5	4.0 / 5
开源策略	部分开源（Qwen 系列）	部分开源 （如 DeepSeek-Coder/V2）	部分开源（PaddleNLP 等）	部分开源

注：“1M tokens”非通用能力：目前主流生产环境最大支持为 128K，超长上下文处于实验阶段。

2.1.2 性能表现对比

评测维度	阿里百炼 （通义千问）	DeepSeek （DeepSeek-chat）	文心大模型 4.5
中文理解 (C-Eval)	85.2%	83.7%	89.5%
代码能力 (HumanEval)	78.5%	82.3%	65.8%
数学推理 (GSM8K)	75.3%	79.6%	68.4%
长文本理解	优秀	良好	良好

说明：

• 数据来源：各厂商官网发布、C-Eval 官方榜单及第三方测评汇总（2024Q4）
• DeepSeek 在代码与数学任务中表现突出
• 文心在中文综合理解上领先，但代码生成较弱

2.2 软件工程方面的建议

2.2.1 程序层面：算法/数据结构体现

阿里百炼（通义千问 Turbo）

算法：算法架构以通义千问系列大模型为核心，基于标准 Transformer 架构进行深度优化，重点聚焦于推理效率与资源利用率的提升。
数据结构：使用高效的KV缓存管理、动态批处理

DeepSeek（深度求索）

算法：算法设计更偏向极致性能与专项能力突破。追求在保持较低激活参数的同时实现更高的表达能力，从而在相同算力条件下获得更强的推理表现。
数据结构：系统内部采用分段缓存与滑动窗口机制，结合位置编码外推技术（RoPE extrapolation），确保长序列输入下的语义连贯性与注意力计算稳定性。

2.2.2 软件工程层面：服务、文档、协作机制

维度	阿里百炼	DeepSeek
服务	提供稳定 API，集成在 DashScope 平台，支持流式输出、异步调用和用量监控。支持私有化部署，适合企业系统对接。	提供 API 和 Web 聊天界面，有 VS Code 插件，支持本地部署，方便开发者直接使用。
文档	文档完整，结构清晰，包含 SDK 使用、错误码、计费说明等，适合团队查阅。	文档较新但逐步完善，重点提供模型介绍、示例代码和微调指导，开发者友好。
协作机制	流程规范，通过工单、论坛等方式提供企业级支持，适合大团队协作。	小团队敏捷开发，GitHub 开源互动，靠社区反馈迭代，沟通更直接灵活。

2.2.3 商业层面：商业模式与竞争优势

阿里百炼

商业模式：按Token计费（输入+输出），集成于阿里云生态，面向企业客户提供一站式AI解决方案。
竞争优势：
背靠阿里云，基础设施稳定、安全合规；
成本低、响应快，适合高并发业务（如客服、内容生成）；
与钉钉、淘宝等阿里系产品深度整合。

DeepSeek

商业模式：提供免费试用额度 + API 按量/套餐付费模式，价格极具竞争力；
竞争优势：
在代码生成、数学推理等垂直领域表现突出；
开源策略吸引开发者社区；
更“人性化”的交互体验（如支持文件上传、多轮复杂对话）。

2.2.4 小结

阿里百炼体系成熟但略显“重”，DeepSeek更灵活、贴近开发者，但尚待完善。

2.3 市场概况

市场规模：据IDC发布的《中国人工智能市场份额报告》显示，2024年中国大模型市场规模达到约500亿元人民币，其中企业级应用占比超过60%，而消费者级应用占比约为40%。 预计到2030年，企业级应用占比将进一步提升至70%，消费者级应用占比将降至30%，但整体市场规模仍将保持高速增长。
直接用户：
阿里百炼：中小企业、互联网公司；
DeepSeek：程序员、科研人员、技术型创业者。
潜在用户：
教育机构（编程教学）、金融科技（量化分析）、制造业（智能工单）等行业；
海外开发者。

结论：市场巨大，但同质化严重，需差异化破局。

2.4 产品规划

产品未来可能规划：基于NABCD模型设计新功能

新功能提案：“智能上下文感知助手”

维度	实施方案
需求痛点 (Need)	复杂任务中频繁上下文切换，现有模型记忆能力有限，导致重复解释、效率低下
解决方案 (Approach)	引入长期记忆机制 + 多模态上下文自动解析（文本、图表、对话历史）
核心价值 (Benefit)	减少重复输入，提升任务连续性与完成率，打造“记住你”的 AI 助手
差异化优势 (Competitive Advantage)	将“对话”升级为“协作工作空间”，实现真正的持续交互
落地路径 (Delivery)	MVP 快速验证 → 集成至百炼平台 → 与 VS Code / Jupyter 插件联动

第三部分：团队绩效

学号	姓名	工作内容	贡献度
222200334	季致涵	编写代码 测试大模型 评分表设计 半自动打分	10.09%
222200402	王成桢	评测结论和主观打分	9.98%
102300204	黄子妍	撰写博客用户采访部分	9.98%
102300102	肖窈	撰写博客第二部分	9.98%
102300101	许云湘	撰写博客第一部分	9.89%
102300105	郭晶晶	大模型评测答辩PPT制作	10.09%
102300303	梁佳	大模型评测答辩PPT制作	9.89%
102300302	侯晴宇	大模型评测答辩PPT制作	9.98%
102300108	陈茜蕾	大模型评测答辩	10.09%
102300304	林琬茗	撰写测试结果文档 可视化测试结果	9.98%