WorkBuddy 内置可选模型科研场景模型选型对照卡

一句话结论：没有单项全胜的模型。读文献与综述用 GLM-5.2，复现与数据处理用 DeepSeek-V4-Pro，长文推理与成稿用 Kimi-K3， 而关键事实、数据与引文必须人工核验——这是本次评估中唯一没有替代方案的环节。

一、按任务维度的适配度

「事实准确性」那一行才是真正的分水岭

这是本次评估中唯一没有替代方案的环节，而几个模型的差距在这里最刺眼：

• GLM-5.2 的第三方非幻觉率约 72%，高于 Claude Opus 4.8 的 64%；
• Kimi-K3 的可靠性数据自相矛盾——一家给出幻觉率 6.2%、列第一梯队，另一家给出「非幻觉率仅 49%、答得越多错得越多」。​口径互相矛盾本身就是信号：不能只信好话的那一份；
• DeepSeek-V4-Pro 在 AA-Omniscience 上的幻觉率约 94%，含义是它几乎无论知不知道都会作答。这是它最适合当工具、最不适合当事实来源的根本原因。

二、分场景推荐

科研流程四阶段模型分工建议

三、三点必须知道的局限

1. 同一模型的分数在不同来源之间差异极大。以 Kimi-K3 为例，其 GPQA Diamond 分数在不同评测中出现约 87、92.6、93.5 三个值，智力综合指数亦从第 3 名到第 4 名不等。 因此排行榜只可用于粗略分层，不可作为选型定论。
2. 主流基准已接近饱和或存在污染风险。GPQA Diamond、MMLU 类知识型基准的前沿分数已压缩到噪声范围内，1 分差距约等于 2 道题，属于运行波动。 相对更有区分度的是科研类长程任务与事实校准类评测。
3. 积分倍率会随产品更新变化。本卡所列倍率来自官方文档快照，实际以模型选择面板显示为准。自定义模型（含本地部署）的费用与数据处理规则由第三方决定。

方法说明：本卡为公开资料的归纳整理，不代表任何厂商官方结论。 科研场景中，模型的角色是加速理解与执行，不是结论来源；文献引用、实验数据、统计显著性判断均需回到原始文献与原始数据核对。

数据来源：Artificial Analysis 智力指数、Vellum 与 BenchLM 榜单、Epoch AI 基准分析、DeepInfra 开放权重横评、腾讯云与厂商公开技术资料，以及 WorkBuddy 官方模型选择文档。快照时间 2026 年 7–9 月。