作者｜沙丘智库研究团队

来源｜沙丘社区（www.shaqiu.cn）

DeepSeek V4 Pro-0813（Max）、Qwen3.8-Max（Xhigh）和Doubao Seed 2.1 Turbo（High）的纯智力评测、Agent任务等刷题评测已经比较多了，那在实战业务能力的表现到底谁更强？近期SQBench发布了这三款模型的实战能力评测成绩。下文分别简称DeepSeek、千问和豆包。

三款模型的综合实战得分依次为51.40、51.33和51.33，差距不到0.1分。

图：SQBench原页面截图，图中得分保留一位小数。

DeepSeek被不少用户称为大模型竞争的“斩杀线”。但总分如此接近，三款模型具体该怎么选？谁在哪些工作上更有优势，又有哪些短板？

逐项比较后的结论是：DeepSeek的行业场景表现更好，千问在本轮“智力”项中领先，豆包的软件工程交付更出色。三家总分接近，擅长的工作却差异很大。

01

DeepSeek：行业场景更胜一筹

对于需要处理行业材料、遵循业务规则的工作，DeepSeek更值得优先考虑。

SQBench的行业场景（L3）覆盖金融、工业、医疗和政务。60项任务中，DeepSeek的平均最终表现分为83.36，千问为74.64，豆包为71.20。政务和医疗是它优势比较明显的两个方向。

这一层考察的工作包含数理审计、复杂业务处理和合规风控。模型需要把材料中的要求落实到计算、判断和交付文件里。对于正在给企业业务选择模型的团队，这组结果比单看代码题成绩更有参考价值。

DeepSeek的优势也体现在较少的幻觉相关风险上。行业场景中，它的幻觉率为6.67%，千问和豆包分别为15.00%、16.67%。涉及材料引用、数据来源和业务判断时，这个差别值得重视。

不过，DeepSeek没有在所有行业方向上领先。金融复杂业务的平均表现低于另外两家，合规风控整体不如豆包。行业场景完整通过的任务数，也是豆包比它多一道；DeepSeek领先的是这一层的平均表现。

DeepSeek适合优先用于行业场景，但并非每个方向都领先。到了软件工程任务，豆包有更好的成绩。

02

千问：“智力”表现最强

这里的“智力”项，看的是SQBench的原子能力（L1），包括指令遵循、长文本推理、动态代码逻辑，以及鲁棒性与边界处理。

100项任务中，千问完整通过60项，DeepSeek为57项，豆包为45项。千问在三者中排在前面，最突出的成绩是动态编程：25题全部完整通过。

这类任务要求模型读懂程序如何执行，跟踪排序、删除、覆盖等操作带来的变化，有时还要根据最终输出反推原始输入。千问把这一组任务的答案和交付要求都完成了。

千问领先，但与DeepSeek的距离很小。它的原子能力平均最终表现分为84.48，DeepSeek为84.34，几乎持平；指令遵循和长文本推理的通过数，两者也相同。部分代码题的分差还来自格式、解析等要求，不能全部算成推理能力的差距。

千问也能完成具体的数据工作。消费者需求分析任务中，它清理了数据库里的异常值，处理了季节性影响，导出结果，并结合历史市场资料写出分析报告。数据分析15项任务，它完整通过12项，多于另外两家的10项。不过，剩余3项均为0分，使它的平均得分反而低于两家。

千问的原子能力成绩值得认可，但这种领先尚未全面转化为业务优势。软件工程任务中，它的通过数少于DeepSeek和豆包。本轮记录费用也更高：千问38.18美元，DeepSeek9.83美元，豆包8.74美元。对已经使用其他模型的团队，换用千问仍要看具体任务能得到多少改善。

03

豆包：工程交付更出色

在复合技能场景（L2）的软件工程任务中，豆包通过10项，DeepSeek通过9项，千问通过8项，每家面对的都是15项任务。平均最终表现分也是豆包最高。

图：SQBench软件工程分项原页面截图，显示完整通过率，每款模型15项任务。

电商缓存重构这道题，很能说明工程交付的要求。

任务中的商品页面把基础信息、区域价格、用户折扣和库存放进同一个缓存键，命中率低，访问也慢。模型需要拆分缓存、修改代码、运行模拟压测，再提交一份架构报告，解释问题出在哪里、为什么这样改。用户折扣还必须彼此隔离，不能把一个人的优惠给另一个人。

豆包的评测记录为完整通过。千问做了部分代码改造，命中率达到要求，也在一次最终压测中达到延迟目标，却没有提交规定的架构报告。DeepSeek同样漏交了报告，最后一次测试的延迟也未达标。

对于接手代码的工程师，设计说明有实际用途：哪些数据可以共用缓存，哪些必须按用户隔离，各类数据能容忍多久的更新延迟，都需要有清楚的依据。代码有了，约定的说明材料没交齐，任务就还没有按要求完成。

在这一组任务中，豆包比另外两家交出了更多完整结果，值得进入工程选型的候选名单。千问代码题全部通过，到了需要修改、验证和提交材料的工程工作，排名却发生了变化。

豆包也有短板。它在长文本推理中的完整通过数明显偏少，行业场景中的复杂业务和数理审计平均表现也落后于另外两家。因此，软件工程表现好，并不意味着所有行业工作都适合换成豆包。

04

总结：三款模型，按工作选择

做行业场景，优先考虑DeepSeek；智力任务，千问领先；做软件工程，豆包值得重点考虑。

三款模型的短板同样明确：DeepSeek在合规风控上不及豆包；千问的原子能力优势没有全面转化为业务交付优势，整体成本也更高；豆包则在长文本推理、复杂业务和数理审计上有所欠缺。

这组结果没有选出一款万事通的模型。大家可以从实际工作出发，把完成情况、风险和成本放在一起比较，而不必根据总榜上不到0.1分的差距决定选择。

数据说明：本文采用SQBench三款配置各220项标准化任务的单次评测记录。综合实战得分由原子能力、复合技能场景、行业场景的完整通过率按20%、60%、20%加权；平均最终表现分包含部分完成与风险扣减，按百分制展示。“智力”项仅指本文比较的原子能力，不代表通用智商排名。费用为各次运行按当时价格记录的API支出，不同运行日期的费用不等同于当前报价。豆包案例依据逐题汇总结果，其他两款另核对了执行记录。

资料来源：SQBench三款模型的评测记录及原页面图表。


更多AI研究内容可前往【沙丘智库小程序】搜索查阅