国产模型人均「第一」太假？字节扣子模型广场竞技，全民投票！

【新智元导读】每家国产大模型都说自己是第一，该信谁的?最近，字节推出了扣子模型广场，全体国产LLM开启大混战!你一票，我一票，谁是第一，大众说了算。投票连小朋友都能参与，模型生态从此彻底从黑盒到白盒。

只有打开黑盒，大模型应用生态才能从玄学变科学。

从厉害到能用，关键一步是确定性

在过去的半年里，笔者在北京拜访了一百多位人工智能应用开发者，其中最年长的是80多岁的张老。

张老是一位中美混血的华侨，在人工智能这个词诞生的第一届达特茅斯会议召开时，他已经成年，并且从事着与编码相关的工作，甚至还在卡片上打孔进行过编程，后来又在IBM从事研发工作。

可以说，张老一生都是人工智能的忠实拥趸。在这一轮大模型爆发的时候，他表现得非常激动，尽管已经退休很多年，但仍然充满热情地在扣子上开发Bot，之前不仅使用过GPTs，还对工作流了如指掌。

张老在谈论现在大模型的发展时，一方面给予了高度赞扬，另一方面也表达了担忧。

他告诉笔者:「别看舆论上很热闹，似乎一下子出现了很多发明，但实际上真正能被使用的东西很少。」他认为，真正的新发明必须能够提供新的服务，并举例将大模型与计算机的发展进行了类比。

在他年轻的时候，IBM和惠普等公司生产的产品只能说是接近计算机的计算器。而当时，一位名叫王安的华人制造出了现代意义上的第一台移动电脑Wang2200。

Wang2200不仅与IBM、惠普的机器一样支持Basic语言和磁芯存储（顺便说一句，磁芯存储也是王安发明的），而且在计算功能之外还能进行数据处理和文字处理，甚至还配备了CRT显示器，运行着他自己发明的文字处理系统WPS。

他本人也因此入选美国发明家名人堂，与特斯拉、爱迪生等人齐名。在这台移动电脑发布两年多后，微软和苹果才相继成立，并且深受其影响。

然而，Wang2200的发明虽然具有进步意义，但也存在严重的缺陷:

其一，它的稳定性较差，由于设计过于超前，其性能甚至不如当时的计算器;

其二，它是一个黑盒子，虽然机器本身很好，但与主流的IBM路线不兼容。

工程师们不愿意使用这种结果不确定的机器。因此，尽管IBM落后一年才推出5100，但却获得了市场的普遍认可，被认为是PC机的开端。

在张老看来，不稳定和黑盒子这两个问题，也是大模型生态发展面临的两大挑战。

笔者非常认同他的观点，并且在后来对应用创业者的拜访中，更加深刻地验证了这一点。

大模型生态的两大挑战

首先，大模型生态的发展过于超前，一诞生就被说得无所不能，但产出结果的稳定性仍然存在问题。

包括OpenAI在内的各家模型都存在幻觉问题，许多微调垂类微调模型在实际应用中的表现甚至不如知识图谱。

这一点在各家SaaS厂商接入大模型时表现得尤为明显。有多少SaaS接入大模型后发现实际效果并不理想，下面的人面对不稳定的结果，根本不敢依赖它来产生结果。

网上常说的AI写简历、写日报、写周报，在现实中有几个人真的敢依靠AI来写呢?输入信息给AI的时间早就足够自己写完报告了。

其次，黑盒子问题更加严重。

一位应用创业者曾经告诉笔者，如果他描述的问题在大模型中没有得到很好的解决，他的下意识动作就是把问题需求描述得更加详细。但事实上，他写的prompt（提示）越多，得到的结果只会越混乱。

在现实中，大多数对话式大模型产品都需要非常好的prompt工程能力才能使用，而且prompt过程本身就非常复杂。这与使用AI来降低成本、提高效率的初衷背道而驰。

一位在中关村从事AI资源管理系统的创业者对笔者说，他在调用大模型API时，最关心的就是能否给用户一个稳定的结果。他现在拓展新客户非常困难，只有一些小公司愿意免费尝试，因为大客户都很担心模型给出的数据不准确，在关键时刻还得重新编写。

另一位从事AI运营系统的创业者则更加苦恼，因为他提供给付费客户的小红书文案有时好有时坏，总是出现幻觉表述，他们的创业团队为了挽回客户，经常要手动帮客户改稿到半夜。

在B端市场，有趣并不重要，有用才是关键。如何提高输出质量的确定性，对于创业者和开发者来说具有极其重要的价值。

手搓Bot，扣子AI工作坊可能会让大家看到更多真实场景

大众市场不在乎你是否是人工智能，也不在乎你是否是高科技产品，他们只关心你能否解决他们的生活和工作问题。

因此，大模型生态要想被市场广泛接受，就必须做到两件事:一是极大地降低使用门槛，二是极大地提高确定性。

只有做到这两点，大模型生态才能真正融入大众的工作和生活。

在上述两件事中，第一件事，即降低使用门槛，目前各家大模型厂商都已经意识到了，并且主流的解决办法是采用Agent路线。

这里的Agent需要解释一下，目前百度的词条翻译是通用人工智能，这过于科幻，与当前的现状不符。

网上还有另一个被广泛使用的说法是「智能体」，这个说法虽然正确且理想，但笔者觉得不够形象，圈内人想吐槽它叫「智障体」，圈外读者甚至不知道它是什么意思。听说有Saas厂商将其翻译成「AI员工」，只能说他们想多了。

这里想说一个不太准确但肯定能让大家一眼就明白的词——「人设」。无论以后基础模型如何发展，Agent目前的状态就是这样。

举个例子，笔者曾经按照prompt教程，设计了一个哈佛大学教授的Agent来协助日常工作。然而，它除了能用哈佛精英的口吻与我说话之外，其他事情都做不好，文章等等也写得很糟糕。

这样说大家应该能理解「人设」和「智能体」的区别了吧。而且与上文一致，你写的prompt越详细，Agent就越模糊，输出的结果也就越混乱。

那么有没有解决办法呢?目前，在国内平台中，笔者只看到扣子注意到了第二件事——极大地提高确定性。

扣子智能体开发平台

扣子现在给自己的定位是新一代一站式AI Bot开发平台，由此可以看出他们对Bot的重视程度。

为了方便大家区分Agent和Bot，这里还是要做一下翻译，网络直翻是「机器人」。

这里可能还是不好理解，举一个实际运行的例子——根据抖音热点内容创作微信公众号文章。

如果我们给创作大师Agent写prompt，可能会这样写:「你是一个热文创作大师。请根据今天的抖音热点内容XXX，写一篇微信公众号文章。」

如果在扣子平台使用Bot来做这件事，我们输入的提示词可能是一样的，但它可以进行更复杂的任务执行，包括检索、提纲、修改、查询数据库、核定、提升文学性等预动作，然后再输出给你。而且，这些预设的工作流、技能、插件、数据库、长期记忆都是你可以设计的。

不出意外的话，后者输出的文字会比前者好很多。因为这个Bot是根据你的需求量身定制的，它可以存储你日常的数据库，你真的可以放心地让它帮你写日报、周报、简历，在写长文字时，甚至在细节上的它表现比你还好。

Bot和Agent有什么区别?

Bot和Agent并不是两种路线，一些预设简单的Bot甚至就是Agent的套壳，它们最大的区别在于确定性更强。

目前，扣子上最受好评的部分是工作流，其生态玩得非常溜，不久前甚至上线了工作流商店。在开发者中已经有了新的说法——当prompt越多Agent越模糊时，workflow（工作流）越细致Bot越精准好用。

为了方便普通读者理解，这里也要对Bot做一个不准确的解读——「手搓小程序」。因为用户写了Bot并不是用完就结束了，而是可以继续分发到微信、飞书、抖音等多个渠道给别人使用，真的和小程序差不多。

为什么说是「手搓」呢?因为扣子真的把「小程序」的编写门槛降低了太多，哪怕是完全不懂编程的小学生也能像玩拼图一样拼出来。

近期，扣子与Intel联合推出了主题为Bot征集活动的扣子AI工作坊（Coze AI Factory），涵盖了图文创作、实用工具、互动创意三大赛道。

在抖音快速发展的过程中，「降低两个门槛」起到了重要作用，一是降低创作门槛，二是降低分发门槛。

扣子的发展也是如此，现在他们把「小程序」的开发门槛降到如此之低，下一步就是大规模分发。

在大模型应用的发展过程中，扣子正在吸引越来越多的普通人进入创作领域，让开发者生态变成大众创新的生态。

最低门槛的比赛，最能认清生态的时候

在扣子AI工作坊活动开展的同时，扣子模型广场也正式推出。

什么是扣子模型广场?

从字面上看，这是一个拥有众多模型的地方。扣子虽然是字节跳动的平台，但并没有限制Bot只能使用豆包大模型，而是支持Bot接入国内众多主流大语言模型，如通义千问-Max、智谱GLM-4、MiniMax6.5s、Moonshot128k、Baichuan4等。

为什么要这样做呢?

现在看来，主要原因是扣子希望构建的Bot生态是一个场景丰富的超级生态，无论是医疗、金融、汽车、美容、交通等公共领域，还是围棋、电竞、情感、消费、营养等个人领域，所有赛道的人都能在上面开发出符合自己需求的Bot。目前国内模型的技术路线尚未统一，服务能力也各有优劣，扣子必须为开发者开发更好的Bot争取空间。

但在具体开发过程中，对于到底该选择哪家模型，开发者该如何进行比较和选择呢?

对此，扣子在模型广场提供了模型对战功能。所谓对战功能，就是指用户可以通过与两个隐藏了模型的Bot实时对话（注意，这里Bot相同，只是模型不同），然后根据模型的回答进行投票，投票结束后系统才会揭示具体的模型。

在具体操作过程中，用户的使用体验大致如下:

他可以看到一个界面弹出两个分页面，两个页面运行同一个Bot，只是其背后支持的大模型不同;

他在其中一个页面输入提示词，另一个页面也会跟着输入相同的提示词，两边的模型同时支持Bot运算并给出结果，两边的结果同时展示;

他可以根据两边结果的优劣进行投票，投票之后才能看到两边的大模型名称以及相关参数;

他可以多次进行对战，通过这种对战测试来决定自己的Bot以后使用哪个大模型。

模型对战

在扣子上，这个模型对战功能还提供了三种模式:

其一，是指定Bot对战。

用户可以指定一个Bot进行不同模型的对战，操作非常简单，这非常适合开发者测试自己的Bot，最大的好处是可以让开发者决定自己的Bot以后调用谁家的模型。

指定Bot对战

其二，是随机Bot对战。

过程与前面基本相同，唯一的区别是用户不需要指定模型，系统会随机分配模型供你对战使用。这对普通用户来说非常有价值，他不仅可以比较模型的能力，还可以感受扣子上许多有趣Bot的能力。

随机Bot对战

其三，是纯模型对战。

这个过程与前面仍然相同，只是用户不再测试Bot，而是测试评价模型本身。大模型技术仍在高速发展，技术路线也没有完全统一，好坏优劣一直难以评判，各家都在不断自称某项第一。

纯模型对战

前文说大模型Agent输出结果是黑盒状态，其实各家大模型能力评测也是黑盒状态，开发者在选择时非常缺乏测评尺度。因此，Bot的效果好坏很大程度上受到开发者个人审美偏好的影响。

但是要想让大模型应用生态繁荣起来，这种黑盒必须变成直观可见的白盒。

对于开发者来说，扣子模型广场的对战功能无疑是最直观的比较工具，为他们节省了不少投入。

在此之前，开发者在选择模型时，肯定会进行比较和衡量，也少不了找群体做双盲测试，但这既浪费金钱和人力，又麻烦，最关键的是难以控制变量。

各家模型都在不断变化，每隔一段时间整个赛道都会发生变化，如果没有这样的工具，开发者将会在评测上浪费大量时间，而现在时间恰恰是最宝贵的。

对于大模型厂商来说，如此直接的对比，如此公开的投票，确实是一种巨大的鞭策。

在过去的一年里，许多大模型厂商都用尽各种话术来夸耀自己的XXX项第一，以及在哪些测试中获得了多高的评分。

但随着大量的模型们开始针对测试题库进行训练优化，这种评比早已不客观。不过，仍有不少模型沉浸在这种虚幻的排名中。

然而，只有通过实际对比，才能知道谁才是真正的强者。

对于生态来说，扣子模型广场提供了一种最低门槛、最低成本的模型PK方式，即使是小朋友也能参与投票，这一下子将整个模型生态的判断标准拉到了与大众标准相同的水平。

当开发者们为选择大模型而茫然时，大众的选择、普通人的感受可以成为大模型优劣的最佳标尺。