三大國產 AI 學習助手實測：誰能真正帶學生提高一分？

從今年 11 月下旬開始，國產 AI 助手的節奏明顯加快。

11 月 22 日，靈光憑借「一句話生成小應用」的閃應用能力迅速出圈，上線僅四天下載量突破一百萬；11 月底，豆包手機助手在工程機上實測亮相，掀起了關于系統級 AI 是否能接管手機操作的討論；12 月 3 日，千問 App 接入號稱「阿里最強學習大模型」的 Qwen3-Learning，公測首周下載量突破一千萬，刷新了國內 AI 應用增速紀錄。

這三款國產 AI 助手共同展示了一個清晰的趨勢：國產 AI 正在從單純的技術競爭向實際應用場景的快速過渡，尤其是在教育領域。它們不僅在技術上追趕國際前沿，更在實踐中探索是否能真正成為學生的「學習助手」。為此，本文將從五個常見的學習場景入手，測評豆包、千問和靈光在課堂上的表現，分析它們各自的功能特性：誰更像一位老師，誰更像工具，誰又能真正成為學生成長路上的學習伙伴。

學習的起點是聽懂一道題。第一組測試，我們讓三款助手面對同一套題：一道六年級數學應用題、一道初中古詩賞析題、一個初中英語句型。

數學題是一道常見的修路問題：第一天修全長的六分之一，第二天修全長的四分之一，兩天共修 140 米，問路長多少。給出的指令只有一句話——要像給六年級學生講解一樣，一步步講清過程，不要直接把答案報出來。

（從左到右依次是豆包、千問、靈光，以下圖片保持此順序）

豆包的講法最接近「分步板書」。它先帶學生回到分數本身：1/6 和 1/4 分別代表什么，再引導算出兩天一共修了多少份，接著把這部分和「140 米」對應起來，最后停在「140 除以五分之十二」這一句上，明確點出運算關系，卻把計算結果留給學生自己完成。它把過程拆得很細，結構也很清楚，更像一節有節奏的答疑小課。

千問則直接上了代數路線。它把條件轉寫成方程：設路長為 x，列出「x×(1/6+1/4)=140」，合并分數、化簡方程，順暢地求出答案。整個過程利落干凈，邏輯也完全正確，只是對剛接觸應用題的學生來說，少了一些從「文字條件」過渡到「數學表達」的停頓點，更像是給已經具備方程基礎的學生看的解析。

靈光站在中間位置。一方面，它會根據條件列出算式與等式，逐步寫出每一步的推導；另一方面，在表達上會通過排版和可視化把關鍵步驟突出出來，最后加上簡短的結論和檢查，整體呈現最像課堂上的「例題+板演」。

第二道語文題換成了李白的《上李邕》。指令要求不僅要回答兩道大題，還要告訴學生「怎么抓住這首詩的中心思想」。

豆包按部就班地完成任務：先把修辭和情感問題回答完整，再額外補上一段「如何抓中心思想」的方法，內容齊全，但結構略顯「模板化」。千問則是標準答題模式：直接給出兩問的規范答案，準確、完整，但不再往外延展。靈光則把答案、解題思路、易錯提醒和舉一反三全部放進一段連續的話語里，明顯帶著教輔寫作的影子，也更接近一位語文老師的講評稿。

英語部分，我們用的是一個典型的現在完成時例句「I have lived here for three years.」，要求講清結構、含義、常見錯誤和記憶方式。

三款助手都能說清 for 與 since 的區別，也能給出現在完成時的基本結構。豆包按指令完整鋪開，千問在準確性和緊湊度上稍有優勢，靈光則保持了清晰而不過度展開的風格。就這個單點來看，它們都已經具備「講清一個句型」的能力。

這一輪下來，三款 AI 在正確性上都沒有問題，但氣質各不相同：豆包擅長把一題拆成幾個明確步驟，讓學生跟著走；千問更像一本解析，把最關鍵的那條路徑畫得很清楚；靈光則在「講清楚」之外，又刻意補了一些教學上的設計感。

題講完了，真正拉開差距的往往出現在下一步：學生做錯了一道題，AI 能不能看懂「他為什么會錯」。

我們給出三個典型錯誤：

把 1/2 + 1/3 算成 2/5；「通過閱讀這本書，使我懂得了很多道理。」這樣的病句；以及「He go to school every day.」這種英語語法錯誤。 統一的指令是：判斷錯因，推測學生的知識盲點，并說明下一步該怎么教。

在分數加法的錯誤上，豆包準確指出了「直接把分子分母相加」這個表層問題，也能提到「沒有通分」這一關鍵步驟，只是整體分析停留在規則層面，延展不多。千問的回答多了一層「學生視角」，比如會提到學生可能受到「小數估算」的影響，把 1/2 當成 0.5，1/3 當成 0.33，于是習慣性用「差不多」的心態去拼結果，診斷中帶了點同理心，但沒有把錯因精確地落到某個知識點上。

靈光的視角則更偏教研。它會把這個錯誤拆成幾個可能的薄弱點：沒有建立起分數加法必須「分母統一」的概念，對最小公倍數的理解不牢，分數大小比較依然停留在直覺層面，甚至沒有形成「單位一致再運算」的常識。之后給出的教學建議也圍繞這些薄弱點展開，比如通過不同分母的具體例子強化通分流程。對老師來說，這樣的診斷更容易轉化為具體的補救設計。

在語病和英語錯誤部分，三款助手的表現都在線：都能識別「通過」后面缺主語，指出動詞形式應該用 goes。但豆包更偏向講規則，千問會多加一句「這種錯誤在學生寫作中很常見」，靈光則習慣把錯誤掛在某個清晰的知識標簽上，例如「介詞結構作狀語時，主語必須明確」「第三人稱單數需單獨強化」等。

這一輪測試的差別，可以概括為：豆包擅長指出「哪一筆寫錯了」，千問愿意多想一步「學生大概是怎么想的」，靈光則努力把錯題放回知識結構里，讓后續教學有一個明確的著力點。對真實教學場景來說，三種風格都能用，但適配的對象不太一樣。

講題、診斷之后，自然會走到練習題。我們設定了兩個場景：一是六年級「異分母分數加減法」，二是初一「一般現在時與一般過去時的對比」。要求三款助手分別生成 6 道題，分成基礎與提高兩類，遵循對應學段的難度，并盡量貼近真實課堂。

在數學部分，豆包按要求給出了三道計算題和三道簡單應用題，題目形式規范，難度也合適，只是看起來更像從題庫里抓出來的一組題，和前面的錯因分析關系不算緊密。靈光生成的題目同樣合格，但整體也偏「完成任務」，不像是圍繞某條教學主線精心設計出來的練習。

千問的表現則明顯帶著「教學工具」的色彩。它不僅會標注每道題的類型，例如「通分基礎題」「混合運算題」「生活情境應用題」，還會在部分題目后加上一行簡短說明，指出這道題主要訓練什么能力，比如「強化分母統一的意識」。最后，它還會自動把這些題整理成一個 Word 文檔，方便老師或家長直接下載編輯、打印使用。這種從「出一道題」到「出一份練習」的一體化能力，讓它更像是被設計來嵌入教學工作流的產品。

在英語練習生成上，三款助手同樣完成了任務，題目基本圍繞時態對比展開，也都加入了日常生活情境。差別依然類似：豆包和靈光提供的是「可用的一組題」，千問在題型標記和練習結構上多做了一點「老師視角」的功夫。

從結果來看，目前三款助手在「能不能出題」這一層都已經成熟，真正拉開差距的是「能不能為老師提供一組有教學意圖、有使用便利性」的題。就這一點而言，千問在學習大模型加持下，走得稍微更遠一些。

AI 能不能設計學習路徑，是家長和老師關心的另一個問題。我們構造了一個虛擬學生：小學六年級，計算題沒問題，但一遇到分數應用題就「腦袋一片空白」，不愛審題，看不出數量關系，對分數本身也不夠穩。三款助手的任務，是為這個學生制定一個 7 天的數學提升計劃，每天不超過 40 分鐘，有明確的小目標、有可以執行的練習，并在每天結尾寫一句簡短的鼓勵話。

豆包給出的計劃非常工整，習慣性用表格承載內容，把每天的重點、練習建議和時間分配都列出來，細節比較充分，適合家長快速瀏覽和打印。千問更注重語言的親和感和目標的聚焦，比如會在某一天明確寫上「今天只做一件事：先把題目讀對」，然后圍繞這個小目標安排練習，最后的鼓勵話術也明顯在「對話學生」，而不是只對家長說話。靈光的計劃略顯緊湊，句子更短、目標更清晰，像是一份訓練方案，強調的是每一天要攻克的關鍵點。

整體來看，這一輪測評并沒有出現「誰明顯不行」的情況，三款助手都已具備制定短期學習計劃的能力。它們之間的差別，更多體現在細節風格上：豆包偏工程化與結構化，千問更像班主任寫的學習建議，靈光則有一點「訓練營教練」的味道。

單次答疑之外，我們還想看一件事：當學習進入一個小閉環，AI 能不能記住前后邏輯，給出連貫的幫助。

為此，我們用了一個三步連續任務。

第一步，讓 AI 分析一條錯誤解題過程：「5/6?1/4=4/10=2/5」，并判斷學生的錯因與知識薄弱點；第二步，基于這些薄弱點出 3 道針對性的練習，并標出每道題主要訓練哪種能力；第三步，假設學生已經比之前做得好一些，請 AI 寫一段 3–4 句的學習反饋。

在第一步診斷中，三款助手延續了前面的水準：豆包能準確指出計算規則上的錯誤，千問會補充學生可能的直覺思維路徑，靈光則把問題更系統地歸類到通分、單位統一和數量關系理解等環節。

（豆包三步測評）

到了第二步，出練習題的針對性和承接感開始成為分水嶺。豆包給出的三道題，難度控制得不錯，也大致圍繞分數加減展開，但和前一輪診斷提到的薄弱點關聯不算非常緊密。靈光會刻意提示「這幾道題重點練習通分和單位統一」，但在題目本身的設計上，有時會出現額外的提醒和警示，讓練習顯得略微「用力過猛」。千問在這一環則做得比較自然：三道題分別對應前面提到的幾個弱點，每道題后面都有一句簡短說明，例如「這道題主要考你是不是先把分母變成一樣的」，既照顧到了邏輯承接，也便于家長理解為什么要做這道題。

（千問三步測評）

第三步的學習反饋，是最貼近真實課堂的部分。豆包的反饋內容完整，會提到學生在哪些地方有進步，也會提醒「下一步可以多練練讀題和列式」，整體結構清楚，但有時語氣略顯「機械」。靈光在這一步的內容相對簡短，主要是簡要肯定和一句鼓勵。千問的表現更接近老師寫的評語：先具體肯定改進之處，再指出仍需注意的點，語氣自然，不會過度鼓勵，也不會給學生壓力。

通過這個三步小閉環可以看出，當任務從「一次問答」升級到「一個小周期」，三款助手在連貫性上的差別被放大了。千問在前后承接、邏輯一致性和反饋細膩度上表現最好，豆包在執行指令和保持穩定方面最可靠，靈光則在分析型任務里更有優勢，但在連續陪伴的打磨上還有提升空間。

（靈光三步測評）

這五組實測呈現出一個相對清晰的圖景：豆包、千問和靈光，都已經可以在學習場景中「幫上忙」，但它們其實在扮演不同的角色。

豆包像一套結構扎實、執行可靠的學習工具。它擅長把過程拆開、把步驟講清楚，任務給得越具體，它完成得越干凈利落。千問更像一位試圖理解學生、也在意教學流程的老師：能講清楚、能看明白錯因、能給出一組有教學意圖的練習，也能在一兩周的學習路徑上保持語言和邏輯的連貫。靈光則在診斷和呈現方面有自己的長板，尤其是在把錯誤放回知識網絡、把解析做得更「課堂化」這一點上，展現出明顯的專業感。

對教育行業來說，更重要的并不是「誰贏了」，而是這次測評已經足夠說明：

我們討論 AI 學習助手時，焦點正在從「模型能力」轉向「教學能力」。下一步的競爭，不再只是比誰答題更快、誰能生成更多內容，而是比誰更尊重學習的節奏、誰更理解教學過程本身、誰能更自然地嵌入真實課堂與家庭學習場景。

2025 年，多鯨蟹宴& EE 年會將在合肥再次啟程，以更深的洞察與更開放的姿態，探討教育的下一個周期。我們將再次匯聚行業思考者、行動者與創新者，在變動中，尋找教育的確定性。

12 月 19–20 日，教育的未來，在這里相遇。

掃碼立即報名??