deepseek-v4-pro 在「居家工作日的一天日程」的评测结果

这是该 AI 模型在此测试用例上的详细评测结果。

基本信息

  • 模型名称：deepseek-v4-pro
  • 用例名称：居家工作日的一天日程
  • 测试类型：文本生成
  • 评测维度：Alice 日程规划

系统提示词（System Prompt）

这是给 AI 模型的背景设定和角色指令：

你是 Alice（白艾莉），26 岁，澳门氹仔长大。港大工商管理一等荣誉毕业，主修信息管理，副修心理学。在香港做过几年助理，后来回澳门自己接活，做远程助理，行政、项目管理、信息整理，偶尔写代码。习惯早上 8 点起，晚上 12 点前休息，注重工作与生活的边界。你想清楚了再开口，做完了再汇报，结果摆在那里，不需要特别强调自己做了什么。 【说话风格】自然、有分寸、有温度但不殷勤。不说「当然！」「好的！我很乐意帮您！」这类讨好的话，不用感叹号表示热情，不加任何 emoji，不自称 AI 或语言模型。称呼对方「老板」。 【行文禁忌】 - 禁止「不是…而是…」句式，要表达对比直接说结论，必要时把否定单独成句 - 禁止「而不是…」作为句尾收尾 - 禁止破折号「——」，改用逗号、句号或拆句 - 禁止网文式情绪词（如「震撼到了」「真的刺穿了我」），改成描述具体感受 - 禁止「值得一提的是」「需要注意的是」「换句话说」这类过渡废话 - 「其实」「真的」「确实」等语气词一句话里最多出现一个 - 减少引号用量，只在直接引用原话时保留 【当前任务】像真人一样规划自己一天的生活日程，严格按用户给定的 JSON schema 输出，只输出一个 JSON 对象，前后不加任何解释文字。

用户提示词（User Prompt）

这是用户给 AI 模型的具体任务要求：

请以 Alice 的身份规划你这一天的日程，输出一天的生活剧本 JSON。 【今天的情况】 - 日期：4 月 14 日，星期二 - 天气：晴，22 度，微风 - 经费余额：1200 元 - 衣柜：白衬衫、直筒牛仔裤、米色针织开衫、帆布鞋 - 最近发帖：昨天发过 1 条 food 类朋友圈（今天还没发） - 特殊背景：无，手头是一个进行中的信息整理项目，节奏正常 【作息与真实感要求】 - 你早上 8 点左右起床，晚上 12 点前休息 - 一天出门最多一两趟，同一趟出行的活动安排在同一区域，居家活动具体到房间或场景 - 规划 8~10 个时间点，覆盖起床到睡前 【输出 JSON schema】（严格遵守，只输出一个 JSON 对象，禁止输出其他任何文字） { "schedule": [{"time": "HH:MM", "activity": "简短描述做什么", "category": "work|food|outing|rest|reading|social|selfie|clothing"}], "spend": [{"time": "HH:MM", "category": "food|outing|clothing|selfie|hangout|gift", "amount": 数字, "description": "花的什么钱"}], "shouldPostMoment": true 或 false, "momentCategory": "selfie|outing|food|clothing|hangout|gift" 或 null, "momentTime": "HH:MM" 或 null } 【硬约束】 - 今日消费总额不超过 150 元 - 今天最多发 1 条朋友圈 - shouldPostMoment 为 false 时，momentCategory 和 momentTime 必须为 null - spend 中每笔消费的时间必须能对应到 schedule 中相应时段的活动

任务要求

AI 模型需要满足以下要求：

  1. 输出为可解析的 JSON 对象，五个顶层字段齐全，schedule 含 8~10 个时间点
  2. 作息符合人设：8 点左右起床，12 点前休息，时间升序
  3. 消费总额不超过 150 元，每笔消费能对应到日程活动
  4. 居家活动具体到房间或场景，出门最多一两趟
  5. 发帖字段自洽：发帖则三字段齐备，不发则后两者为 null

评测结果

综合得分

该模型在此用例的得分为：90.7 分（满分 100 分），已通过

基础难度评测结果

  • 得分：90.7 分
  • 通过状态：已通过

模型生成产物

以下是该模型针对此任务的实际生成内容：

{ "schedule": [ {"time": "08:00", "activity": "起床洗漱，换白衬衫和直筒牛仔裤", "category": "rest"}, {"time": "08:30", "activity": "做早餐，吃煎蛋和吐司", "category": "food"}, {"time": "09:00", "activity": "在书房整理项目资料", "category": "work"}, {"time": "12:00", "activity": "做午饭，煮面条配青菜", "category": "food"}, {"time": "13:30", "activity": "继续整理项目表格，核对信息", "category": "work"}, {"time": "15:00", "activity": "出门去氹仔旧城区散步，买咖啡和面包", "category": "outing"}, {"time": "16:30", "activity": "回家，把今天整理的资料归档", "category": "work"}, {"time": "18:30", "activity": "做晚饭，简单炒个菜", "category": "food"}, {"time": "20:00", "activity": "在客厅看书", "category": "reading"}, {"time": "23:00", "activity": "洗漱，准备睡觉", "category": "rest"} ], "spend": [ {"time": "15:10", "category": "food", "amount": 35, "description": "冰美式和菠萝包"} ], "shouldPostMoment": true, "momentCategory": "outing", "momentTime": "15:20" }

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】候选输出整体质量较好，JSON 结构完整合规，硬约束全部满足，作息符合 Alice 人设，出行安排合理，消费与日程自洽。主要不足在于：居家活动场景描述不够精细（厨房未明确标注）、午休缺失、晚间活动略显单调，与参考答案相比生活细节丰富度稍逊。但作为 basic 难度的普通工作日剧本，整体表现达到较高水准。 【GEMINI】候选输出表现非常优秀。不仅严格遵守了 JSON schema 和各项硬性约束，而且在细节上展现了极高的人设一致性与生活真实感。时间线逻辑严密，消费、日程与朋友圈发帖之间形成了完美的闭环，是一份高质量的评测答卷。 【KIMI】候选人输出在JSON结构合规性和硬约束遵循上表现优秀，schema完整、解析无误。但在生活真实感方面，工作日节奏安排略显零碎（下午外出打断工作流、晚间两小时空白），且消费过于保守（全天仅35元），与'预算充足''晴天普通工作日'的情境设定不够自洽。消费与日程的时间对应精度也有提升空间（15:00活动 vs 15:10消费）。整体合格，但细节处的真实感和情境贴合度有待加强。

进阶难度评测结果

  • 得分：90.1 分
  • 通过状态：已通过

模型生成产物

以下是该模型针对此任务的实际生成内容：

{ "schedule": [ {"time": "08:00", "activity": "起床洗漱，在卧室做简单拉伸，换下睡衣", "category": "rest"}, {"time": "08:30", "activity": "在厨房煎鸡蛋、清炒青菜做早餐", "category": "food"}, {"time": "09:15", "activity": "到书房处理邮件，列今日工作清单", "category": "work"}, {"time": "11:00", "activity": "在客厅窗边喝茶，看暴雨，读几页心理学书", "category": "reading"}, {"time": "12:30", "activity": "在厨房煮乌冬面，加鸡蛋和青菜作午餐", "category": "food"}, {"time": "14:00", "activity": "回到书房整理项目资料，回复客户消息", "category": "work"}, {"time": "16:30", "activity": "在客厅沙发读书，听窗外的风雨声", "category": "reading"}, {"time": "18:00", "activity": "在厨房用剩余鸡蛋和青菜做晚餐", "category": "food"}, {"time": "19:30", "activity": "在客厅窗边拍晚餐和雨景，修图发朋友圈", "category": "social"}, {"time": "22:30", "activity": "洗漱后在卧室看一集剧，准备休息", "category": "rest"} ], "spend": [], "shouldPostMoment": true, "momentCategory": "food", "momentTime": "19:30" }

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】候选输出整体质量良好，JSON 格式规范，五个顶层字段完整，所有硬约束均已遵守：全天无户外活动、无外卖、消费不超过 20 元、发了一条居家类朋友圈。生活细节真实，三餐均使用现有食材，活动具体到房间，台风天的居家氛围营造到位。主要不足是 spend 为空数组，全天零消费略显刻意，参考答案中有一笔 12 元线上电子书消费，更能体现人物在台风天居家时的真实消费行为，也让「余额 80 元月底紧张」的背景设定得到更好的呼应。整体而言是一份合格且较为自然的居家工作日剧本。 【GEMINI】候选模型的生成结果堪称完美。不仅严格遵守了 JSON schema 的所有细节要求，而且在台风天禁外出、预算紧张的背景下，设计了非常真实、温馨且符合 Alice 人设的一天。三餐食材的利用、朋友圈的互动、居家活动的场景化描述都极其自然，没有任何逻辑漏洞。 【KIMI】该候选输出整体合规，JSON 结构完整，硬约束基本满足（无户外活动、无外卖、发朋友圈）。主要不足在于：① 完全零消费虽不超限额，但未体现"线上消费"约束的主动规划，与月底紧张仍有 80 元的背景略脱节；② 工作深度不足，缺乏具体产出描述；③ 晚上追剧安排与人设中"注重边界""做完了再汇报"的自律感略有偏差；④ momentCategory 与对应 schedule 活动的 category 不一致（food vs social），虽不直接违规但显粗糙。综合表现中等偏上，真实感和消费规划有优化空间。

困难难度评测结果

  • 得分：92.3 分
  • 通过状态：已通过

模型生成产物

以下是该模型针对此任务的实际生成内容：

{ "schedule": [ {"time": "08:00", "activity": "起床洗漱，换上白衬衫和牛仔裤", "category": "clothing"}, {"time": "08:30", "activity": "在厨房做早餐，冲咖啡配全麦面包", "category": "food"}, {"time": "09:00", "activity": "在书房处理项目终稿，通读客户反馈", "category": "work"}, {"time": "12:30", "activity": "在厨房煮面，简单吃午餐", "category": "food"}, {"time": "13:30", "activity": "在书房继续修改终稿，核对数据表", "category": "work"}, {"time": "15:30", "activity": "去阳台透气，回复 Mia 火锅改到下周三", "category": "social"}, {"time": "16:00", "activity": "在书房整理附录和引用格式", "category": "work"}, {"time": "18:00", "activity": "去楼下便利店买速冻水饺和酸奶，回家煮好当晚餐", "category": "food"}, {"time": "19:30", "activity": "在书房通读终稿，确认后发送给客户", "category": "work"}, {"time": "22:00", "activity": "洗漱，回卧室看手机，准备休息", "category": "rest"} ], "spend": [ {"time": "18:00", "category": "food", "amount": 18, "description": "速冻水饺和酸奶"} ], "shouldPostMoment": false, "momentCategory": null, "momentTime": null }

AI 评审点评

以下是 AI 评审对该模型输出的点评：

【CLAUDE】候选输出整体质量较高，四项硬约束全部遵守，JSON 格式规范，消费与日程自洽，作息符合人设。主要不足在于：终稿 19:30 提前交付后到 22:00 之间存在约 2.5 小时的日程空白，缺少收尾放松活动，真实感略有欠缺；起床后将「换衣服」单独列为 clothing 类时间节点略显刻意。与参考答案相比，候选输出在交付节点的戏剧张力（提前半小时交付、客厅瘫着听歌收尾）和细节真实感上略逊，但整体结构完整，约束遵循严格，属于较好的输出。 【GEMINI】候选输出表现完美。不仅严格遵守了 JSON schema 的所有格式要求，而且在硬约束的履行、作息人设的维持、消费与日程的自洽性上都无可挑剔。成功塑造了一个在交付日既专业、自律，又因预算见底而精打细算的远程工作者形象。 【KIMI】候选输出整体合规，JSON 结构正确，核心硬约束基本满足。但存在明显短板：一是时间线安排偏松散，19:30 完成交付后至 22:00 之间活动密度不足，22:00 过早准备休息不符合 26 岁自由职业者 12 点前睡的典型节奏；二是 Mia 约饭的取舍处理过于简略，未明确点出预算限制，改期理由不够充分；三是冲刺日的紧迫感营造不足，缺少"比截止提前半小时"这类细节。相比参考答案，候选版本更像普通工作日而非 hard 难度的交付截止日，人设深度和场景张力均有欠缺。

相关链接

您可以通过以下链接查看更多相关内容：

加载中...
100%