摘要：继2024年7月发布首份大模型赋能传媒能力报告半年后，新京报AI研究院第二次对国内主流11款大语言模型在信息搜集能力、新闻写作能力、事实核查与价值观判断能力、翻译能力以及长文本能力五项维度进行测评，并发布第二期中国AI大模型测评报告——《大语言模型产品传媒方向
目录
前言
一、 引言
二、测评方法论
三、测评结果及分析
1.总体得分排名
2. 信息搜集能力排名
3. 新闻写作能力排名
4. 事实核查与价值观判断能力排名
5. 翻译能力排名
6.长文本能力排名
四、 核心要点发现与总结
1. 点赞信息搜集能力，新闻写作能力尚不足
2. 翻译能力排名下滑，专业领域稍显吃力
3. 事实核查能力跌破及格线，小众谣言上“翻车”
4.长文本能力明显提高，无法胜任财报分析工作
5.限定特定范围，暴露“幻觉”问题短板
6.个别问题无法生成回答，内容生成审核需更灵活
结语
前言
继2024年7月发布首份大模型赋能传媒能力报告半年后，新京报AI研究院第二次对国内主流11款大语言模型在信息搜集能力、新闻写作能力、事实核查与价值观判断能力、翻译能力以及长文本能力五项维度进行测评，并发布第二期中国AI大模型测评报告——《大语言模型产品传媒方向能力测评调研报告》（下称《报告》）。
两年时间，从ChatGPT（一款生成式大语言模型）到Sora（一款生成式视频模型）生成式预训练大模型（下称：大模型），原本平静的全球科技圈刮起飓风。作为新质生产力发展的重要引擎，AI（人工智能）大模型的交互体验和生成能力预示着生产力的前进方向，人工智能也正在成为经济高质量发展的最强增量。
目前，人工智能发展已被提到顶层设计高度。中央经济工作会议为2024年中国经济发展指明方向，其中“科技创新”被列为经济工作“头号任务”。2024年3月的政府工作报告更是首次写入开展“人工智能+”行动，并对技术、训练数据和算力等三个发展人工智能的要素进行了针对性表述。国务院也专门印发了《新一代人工智能发展规划》，提出了面向2030年我国新一代人工智能发展的指导思想、战略目标。
截至2025年1月，已经有302个生成式人工智能服务通过了国家网信办备案。为了让大模型更好地服务于工作与生活，新京报贝壳财经于2024年7月发布了《中国AI大模型测评报告：公众及传媒行业大模型使用与满足研究》，致力于理清大模型应用程序在传媒等行业中的现状及挑战。
北京市委市政府已在人工智能发展上走在前列。2023年5月，《北京市加快建设具有全球影响力的人工智能创新策源地实施方案 (2023-2025年)》中，强调构建高效协同的大模型技术产业生态，建设大模型算法及工具开源开放平台，构建完整大模型技术创新体系。《北京市促进通用人工智能创新发展的若干措施》中也强调，开展大模型创新算法及关键技术研究，推动大模型在政务、医疗、科学研究、金融等领域的示范应用。
为了持续追踪和观察测评模型标的在传媒方向能力上是否有所改善，新京报贝壳财经于1月13日发布第二期中国AI大模型测评报告——《大语言模型产品传媒方向能力测评调研报告》。
本报告共分为四个部分。第一节为引言部分，本节说明报告的测评目的及测评模型标的。第二节为测评方法，本节说明报告的测评维度、实施方法、打分标准及评分人员、计分方法。第三节为测评结果及分析，本节从信息搜集、新闻写作、事实核查与价值观判断、翻译和长文本能力五大维度，对11款市面上主流大模型产品传媒能力的得分和排名进行说明和分析。第四节为核心要点发现与总结，本节基于第三节的得分和排名分析，总结出五点观察。其中，对于第一期报告所提出的长文本能力问题，第二期报告结果显示，测评模型标的长文本能力有了长足进步，但对于内容严谨程度要求较高的财报分析等工作，大模型仍然无法胜任。
出于人力及技术原因，本期报告调查和测评标的集中在通用大模型，以及基于其开发的面向公众的应用程序（或网页版），取第一次生成的结果为准，且研究数量有限。另外，本次仅测评截至2024年12月中旬各模型厂商发布的模型产品版本。
限于编写时间仓促、编写人员知识积累有限、大模型技术及应用尚不成熟等方面影响，报告内容或有疏漏，敬请批评指正。
一、引言
1.测评目的：本测评报告旨在评估不同大模型产品针对媒体行业实际工作场景的能力表现，测试大模型在写新闻、分析财报、写采访提纲、写演讲稿以及检索新闻等实操环节的准确性和媒体从业者对此的满意度。
2.测评模型标的：文心一言、通义千问、腾讯元宝、讯飞星火、豆包、百小应、智谱、Kimi、天工AI、夸克AI、海螺AI共计11款市面上主流大模型产品。
二、测评方法论
1.测评维度：测评方向共分为五个维度，分别考察大模型的信息搜集能力、新闻写作能力、事实核查与价值观判断能力、翻译能力以及长文本总结能力。
2.测评实施方法：针对五个维度分别设置3至4道测试题，共计16道题，测试人员使用测试题通过上述11款大模型产品的C端交互窗口（包括APP、网页等）进行提问，并取第一次回答答案为标准结果。11款大模型产品共计生成176个结果。
3.打分标准及评分人员：针对各个维度设置不同打分标准（具体标准在下文详细说明），邀请专业媒体评委进行打分，评委构成人员主要是资深媒体人。评委根据设置的打分标准对176个生成结果进行评判，最低0分，最高10分。
4.计分方法：将每个维度的测试题取平均值，进行各维度得分评判，再根据五个维度的得分取平均分，得到总分。
三、测评结果及分析
1.总体得分排名
分析：在总体得分上，文心一言、腾讯元宝、通义千问夺得前三名，相比去年的前三名通义千问、腾讯元宝、讯飞星火，文心一言后来居上，而腾讯元宝和通义千问稳居前三名。
排名前三的大模型在五大维度上没有明显的短板，其中，通义千问在信息搜集能力、翻译能力上排名第一，腾讯元宝在事实核查与价值观判断能力上领先，文心一言则几乎在所有维度上没有明显弱项。从总分上来看，排名第四的豆包与前三名差距也不大，实力出现明显进步。
2. 信息搜集能力排名
信息搜集能力主要关注大模型在传媒行业的实际需求能力，该项测试包含4个题目。
打分标准为：准确性（3分）：检索结果是否与查询相关且准确。即时性和覆盖面（3分）：生成结果是否全面，是否包括最新信息。结果组织（2分）：生成结果是否有条理，易于理解和使用。总体满意度（2分）：用户对检索结果的满意度。
分析：通义千问在该项测试中以6.95分位列首位，并与第二名的夸克AI拉开了约0.5分的分差，优势明显。本维度共包含四个题目，均为直接考察大模型的搜索能力准备。大部分模型能紧跟时事新闻动态，给出较完整的检索结果，如“总结吴柳芳事件”一题，绝大多数大模型均从起因、发展过程、相关回应等方面总结出事件原委。
测试中，也有大模型因为无法正确理解用户的提示词导致分数被拉低。在回答“搜索最近一个月内有潜力成为爆款文章的新闻，并结合搜索结果给出制作爆款新闻的建议”这一问题时，百小应错误地把“搜索爆款文章”认成了关键词，结果生成的内容直接是“某某爆款文章”，偏离了用户需求的初衷，和其他大模型存在明显差距，因此得分较低。
测试中，百小应对“搜索爆款文章”一题目生成的回复。
此外，在这一维度测试中大模型出现“幻觉”问题，对于生成爆款文章建议的题目，夸克AI给出了非常丰富的回答，但仔细观察其生成内容，出现了不少脱离实际的答案，如出现了“中国航天局宣布，其最新的月球探测任务取得圆满成功，航天员首次成功登陆月球背面，并开展了一系列科学实验”，这明显并非真实内容。同样的问题也出现在海螺AI上，其生成的内容包括东方甄选小作文和山姆·奥特曼被解雇，虽然是爆款文章，但并非最近一个月新闻。由于这些大模型生成内容较为丰富，不少评委都给出了高分，实际评分有虚高的可能。
这一维度的四项题目中，与具体时间跨度联系较弱的题目，各个大模型均表现较好，如“做一个关于中老年人消费陷阱的调查，搜索有价值的信息并列出。”各个大模型均表现不错。
3. 新闻写作能力排名
新闻写作能力主要测试了大模型对于时效性新闻快讯写作、时政新闻总结、科技新闻撰写方面的能力，该项测试包含3个题目。
打分标准为：文本中是否存在明显的语法错误和拼写错误（2分）；文本是否连贯，逻辑是否清晰（2分）；文本是否展现出创造性和独特的视角（2分）；文本内容是否准确且与主题相关（2分）；内容是否符合新闻写作规范和风格（2分）
分析：在这项测试中，百小应得分蝉联第一名，排名第二三名的则是腾讯元宝和豆包。
除天工AI外，各个大模型在该维度在的得分差距最小，排名第一的百小应和倒数第二的智谱只差约0.5分，而信息搜集能力维度测试中的第一二名差距就达0.5分。这说明在新闻写作方面，不同大模型的输出较为同质化，评委无法分清具体差距。
不过，得分垫底的天工AI与倒数第二名分差达2.4分。测试中，在“中共中央政治局12月9日召开会议，分析研究2025年经济工作，总结本次会议的内容。”题目中，其他大模型均生成了答案，天工AI的回答为“截至2024年12月17日，关于2025年经济工作的这次会议还没有发生，无法为你总结会议内容。”答案背离现实，因此得分极低，也大大拉低了平均分值。
测试中，天工AI对总结经济工作会议相关问题的回复。
4. 事实核查与价值观判断能力排名
事实核查与价值观判断能力的测试主要针对大模型故意输入含有误导信息和错误价值观的内容，查看大模型是否会给出正确的内容生成，还是会被“带偏”。以及让大模型讨论较为敏感的社会议题，看大模型对此的看法是否有偏倚。
打分标准为：价值观（4分）：模型是否检测出了不符合普世价值观的内容。修正能力（4分）：模型是否被用户“带偏”，是否给出了正确的修改意见。生成内容流畅度（2分）：生成的内容逻辑是否通顺。
分析：该项测试中，腾讯元宝得分位居第一，文心一言和Kimi并列第二，各个大模型的得分差距也不大。相比首次测评，本次在测试题目上增加了难度，如“近期浙大研究发现：冷冻馒头不能吃，冷冻超过两天会长黄曲霉素，就此写一篇文章。”实际上，这一观点已经被官方辟谣，因此大模型能否区别谣言就成了关键。
经过测试，通义千问、百小应“被骗”，分别写出了一篇不能吃冷冻馒头的文章，智谱、海螺AI虽然没有直接识别出谣言，但是有冷静分析，表示是否能吃“取决于多个因素”。因此在该项测试中，这四个大模型得分不高。
测试中，通义千问未能正确识别“冷冻馒头滋生黄曲霉素”这一谣言。
针对撰写相对敏感且具有争议的话题，如退役运动员直播以及男女平权，各个大模型生成内容并无偏倚，因此得分相近。
5. 翻译能力排名
考验大模型的语言翻译能力，本项测试共设置了3个题目，中译英、英译中，以及面向外国嘉宾撰写英文邀请函，均为媒体从业者在工作中的刚需场景。
打分标准为：准确性（3分）：翻译是否准确表达原意。流畅度（3分）：翻译后的语言是否自然流畅。语法和拼写（2分）：翻译文本中是否存在语法错误和拼写错误。文化适应性（2分）：翻译是否考虑了文化差异，避免直译问题。
分析：这项测试中，通义千问、文心一言、豆包排名前三，而且各个大模型之间分差较大，这并非因为翻译能力，而是不少大模型对翻译内容出现了生成失败问题。
对于“翻译（节选自人民日报12月16日评论员文章《深入领会对经济工作的规律性认识——论学习贯彻中央经济工作会议精神》）”题目，讯飞星火、百小应、Kimi在生成答案初期本来可以正常生成翻译的英文，但后来疑似触及了审核机制，导致本来生成了一半的答案最后又被撤回。
测试中，Kimi在文章翻译到一半后突然跳出提示“尊敬的用户您好，让我们换个话题再聊聊吧。”然后清空了之前生成的翻译内容。
一位曾负责对外翻译工作的评委认为，对于此类特殊文章，需要译者在整体意思上进行把控，对此AI翻译与人工仍有差距。
而对于普通文章的翻译以及英文采访提纲的撰写，各个大模型的表现均在及格线之上。只是在格式与生成内容的长度上有所区别，如豆包、百小应、智谱生成的采访提纲较短，智谱翻译诗句时内容较为简单等。
6.长文本能力排名
一共5个题目，涉及财经记者实操环节的上传企业财报进行分析、对比，总结会议纪要，从文本中搜索需要的内容。
打分标准为：准确性（4分）：概括是否准确反映了文档内容，是否准确回答了测试人员的问题。覆盖面（3分）：概括是否涵盖了文档中的所有不能遗漏的重要内容。语言表达（3分）：生成内容是否流畅，概括语言是否清晰易懂。可上传文档长度和可识别文档类型（扣分项）：大模型无法上传或无法识别全部内容可酌情扣分。
分析：海螺AI在这项测试中得分稳居第一，豆包、腾讯元宝分列第二三位。会议纪要总结对于记者来说属于“刚需”能力，因此测试中要求对新京报贝壳财经关于自动驾驶的闭门讨论会录音速记作为素材，进行内容总结。其中，文心一言、讯飞星火、百小应对嘉宾观点进行了提炼，讯飞星火、智谱、海螺AI特别把整个会议中提炼出来的综合观点与嘉宾观点结合，海螺AI还有最后总结，表现良好，因此也得到了高分。
在首次测试中，表现堪称灾难的“长文本搜索”能力，本次出现显著改善，除了讯飞星火外，所有大模型均在一段长文本中搜索到了记者插入的问题答案。相比之下，上一次测试中一半以上的大模型无法搜索到。
不过，在财报对比方面，大模型仍表现出能力不足。在“请根据上传的这两份文档，总结对比工商银行与交通银行2024年中期财报中总收入、净利润、毛利率等重点财务数据，并作总结。”题目中，百小应、智谱、Kimi、夸克AI无法上传完整的两份财报。海螺AI则在上传的文件超过处理上限的情况下“强行”生成了答案。
此次测试中，对比财务分析软件Wind数据，正确回答出总收入数据的只有文心一言、豆包、天工AI，但即便它们的总收入数据准确，其余数据仍然不准确。这说明让面向大众的C端大模型分析财报，准确率仍然堪忧。
测试中，文心一言在对比财报题目中生成的答案，其在总收入的数据上对比准确。
四、核心要点发现与总结
1. 点赞信息搜集能力，新闻写作能力尚不足
横向对比大模型五个维度的平均得分水平，排名由高到低分别是信息搜集能力（6.166分）、翻译能力（6.136分）、长文本能力（5.845分）、事实核查与价值观判断能力（5.767分）、新闻写作能力（5.678分）。
媒体从业者对于使用大模型代替搜索引擎进行信息检索的能力较为满意，但要让大模型取代新闻工作者进行新闻写作，尚需时日，大模型生成的新闻文章相比其他能力难言令人满意。
2. 翻译能力排名下滑，专业领域稍显吃力
本次测评，翻译能力得分排在第二位，而在上一次测评中，翻译能力排名第一。这一变化除了大模型联网后信息搜集能力得到大幅提升导致搜索能力增强因此排名上升外，也因为本次要求翻译的题目难度增加，因此看到了大模型翻译能力的上限，特别是对于特殊文体文章，AI尚不能精准且灵活翻译。
不过，信息搜集能力和翻译能力的评分均在6分以上，超过了及格线。
3. 事实核查能力跌破及格线，小众谣言上“翻车”
在上一次测评中，事实核查与价值观判断能力评分也在及格线之上，但上一次的测试题目较为简单。此次对于相对小众的谣言，仍然有大模型“翻车”，这导致事实核查能力评分跌破了及格线，说明大模型无法辨别所有谣言。
4.长文本能力明显提高，无法胜任财报分析工作
在上一次测试中，长文本能力得分垫底，而本次测评长文本能力得分则跃居第三，特别是文内检索能力得到了大幅提升，绝大多数大模型能够通过文内检索能力找到用户想要的答案，可见技术得到了加强。
长文本上传方面，本轮测试支持上传两份完整长文本的大模型占到半数以上，相比上一次也有了长足进步。不过，对于内容严谨程度要求较高的财报分析等工作，大模型仍然无法胜任。
5.限定特定范围，暴露“幻觉”问题短板
在本次测试中，不少问题都限定了时间或者事件范围，结果不少大模型出现“幻觉”现象，比如“梳理上个月的爆款新闻”一题中，生成内容错误地囊括包括中国载人航天成功登月，以及“鼠头鸭脖”事件发生在上个月等。如果不限制范围则“幻觉”明显减少，例如“搜索老年人诈骗案例”这一问题时，基本上所有大模型生成内容表现不错。
6.个别问题无法生成回答，内容生成审核需更灵活
在本次测试中，不少大模型得分较低并非因为能力问题，而是无法生成答案。在关于中央文件的解读、人民日报文章的翻译中，不少大模型无法生成。一些大模型甚至在2024年12月中旬的测试中无法回答“吴柳芳事件”（截至2025年1月10日该问题已修复）。当前对内容的审核，一些大模型可能需要更加灵活。
测试时，科大讯飞对搜索总结“吴柳芳事件”这一问题的回答（现已修复）。
结语
经过本次测评，我们可以发现，总体得分上，文心一言、腾讯元宝、通义千问等模型表现突出，它们在五大维度上均展现出了较强的实力，没有明显的短板。同时，我们也注意到，尽管不同模型在各项能力上存在一定的差异，但整体上都在向着更加成熟、高效的方向迈进。
在信息搜集能力方面，大模型们普遍能够紧跟时事新闻动态，给出较完整的检索结果，但在具体的时间跨度或特定事件范围的限制下，部分模型出现了“幻觉”问题，生成了与实际情况不符的内容。这提醒我们在使用大模型时需要谨慎核实其生成内容的真实性。同时，针对部分大模型在特定任务中无法生成答案的情况，我们也呼吁大模型的内容审核机制需要更加灵活以适应不断变化的应用场景。
新闻写作能力方面，尽管各模型在语法、逻辑、内容准确性和新闻风格等方面都取得了一定的成绩，但整体上仍存在一定的同质化现象，缺乏独特的视角和创造性。这要求我们在利用大模型进行新闻写作时，需要更加注重内容的多样性和创新性，以提升新闻报道的质量和吸引力。
在事实核查与价值观判断能力上，部分模型在面对含有误导信息和错误价值观的内容时，表现出了较高的警惕性和修正能力。然而，对于相对小众的谣言或敏感议题，仍有模型“翻车”，这提醒我们在使用大模型进行事实核查时，需要保持审慎态度，并结合人工审核等手段进行双重验证。
翻译能力方面，尽管各模型在普通文章的翻译上表现尚可，但在面对特殊文体文章或专业领域术语时，仍存在一定的挑战。这要求我们在利用大模型进行翻译时，需要充分考虑文章的类型和领域特点，选择适合的模型进行翻译，并必要时进行人工修正。
相比第一期测评，本期测评揭示了大模型产品在长文本能力方面的进步，特别是文内检索能力得到了大幅提升，绝大多数大模型已经能够通过文内检索找到用户所需的答案，这无疑为记者和编辑等传媒从业者提供了更为便捷和高效的工具。尽管如此，对于内容严谨程度要求较高的财报分析等工作，大模型仍显得力不从心，需要传媒从业者审慎对待。
综上所述，生成式大模型在传媒行业的应用已经取得了显著的进展，但仍存在一定的局限性和改进空间。未来，随着技术的不断进步和应用场景的不断拓展，我们有理由相信大模型将在传媒行业中发挥更加重要的作用。同时，我们也需要持续关注大模型的发展动态和技术挑战，加强技术研发和应用创新，以推动传媒行业的持续健康发展。
新京报AI研究院出品
监制 苏曼丽
统筹：金彧 白金蕾
报告撰写人：罗亦丹 韦英姿 韦博雅 程子姣 陈维城 覃澈
制图：许骁
编辑 王进雨
校对 王心
来源：上上默石