外观
如何测评 AI 模型的协作能力？
一句话回答：用"双重测试"——一个大型编程项目考察规划与产出质量，一个真实的多轮工作任务考察语境理解和协作感；关键是给所有模型完全相同的输入并全程录屏，且要看聊天过程而不只看最终成稿，因为文档会抹平过程中的差异。
为什么跑分不够
榜单分数只能反映"会不会干活"。实际长期使用中，决定体验的是：模型能不能听懂你没说满的话、接住你的犹豫、在该推进时推进该停时停。这些只有在真实任务的多轮对话中才暴露。
测试一：大型编程项目（测规划与产出）
- 准备一份复杂的需求文档（约 3000 字，含前端、后端、多个子系统），复杂到无法一轮完成
- 用完全相同的提示词同时发给所有待测模型
- 可要求模型以多 Agent 分工协作的方式开发，考察其项目管理能力
观察维度：
- 指令遵循：需求文档里的要求是否全部照做，还是漏做要人催
- 一次跑通率：写完能不能直接运行
- 产出质量：尤其是视觉效果这种跑分测不出的东西
- 修复能力：出 bug 后能否自己修好
注意这些维度会分化：有的模型指令遵循强但产出平庸（指哪打哪），有的要人督促但每步质量最高——不能用单一分数概括。
测试二：真实工作流（测协作与"人味儿"）
拿一个你真实要做的任务（如准备直播提纲），而非编造的题目。任务要包含：多轮长对话、发散想法再收敛取舍、中途出现变故需临场调整。
观察三个关键时刻：
- 你慌了的时候：想法说太多失去头绪时，好的模型会先确认约束（"你有多少时间"）、帮你提炼主线，而不是直接开始机械分类
- 约束变化的时候：局面变了（如合作方给了修改空间），好的模型能识别"这是好消息"并调整策略；差的模型只会"好，重新理一下思路"，感知不到处境
- 你用商量语气的时候：说"不然我们……你怎么看？"，差的模型听不出是在商量，直接执行
评分要点
- 分开打分：聊天体验和成稿质量分开评。典型结果是成稿差距很小（如 8.9/8.8/8.1）而聊天体验断档（9.7/8.6/6.3）
- 设标杆：以你最熟悉的最强模型为 100 分基准，其他模型相对打分
- 单一案例不下定论：补充网上其他用户的实测评价佐证，正负面都要收
常见误区
- "最终产出差不多 = 模型差不多" —— 文档会抹平过程差异；长期协作中过程体验才是决定性的。
- "情绪价值是玄学，写提示词就能补" —— 那背后是对语境和意图的理解深度，反映在取舍依据和策略质量上，提示词补不了。
相关条目
作者：人工大黑 · 转写自视频《Claude用不了的时候，GLM-5.1能顶上吗？》