从今年 11 月下旬开始，国产 AI 助手的节奏明显加快。

11 月 22 日，灵光凭借「一句话生成小应用」的闪应用能力迅速出圈，上线仅四天下载量突破一百万；11 月底，豆包手机助手在工程机上实测亮相，掀起了关于系统级 AI 是否能接管手机操作的讨论；12 月 3 日，千问 App 接入号称「阿里最强学习大模型」的 Qwen3-Learning，公测首周下载量突破一千万，刷新了国内 AI 应用增速纪录。

这三款国产 AI 助手共同展示了一个清晰的趋势：国产 AI 正在从单纯的技术竞争向实际应用场景的快速过渡，尤其是在教育领域。它们不仅在技术上追赶国际前沿，更在实践中探索是否能真正成为学生的「学习助手」。为此，本文将从五个常见的学习场景入手，测评豆包、千问和灵光在课堂上的表现，分析它们各自的功能特性：谁更像一位老师，谁更像工具，谁又能真正成为学生成长路上的学习伙伴。

实测一：讲题——从「会做题」到「讲得明白」

学习的起点是听懂一道题。第一组测试，我们让三款助手面对同一套题：一道六年级数学应用题、一道初中古诗赏析题、一个初中英语句型。

数学题是一道常见的修路问题：第一天修全长的六分之一，第二天修全长的四分之一，两天共修 140 米，问路长多少。给出的指令只有一句话——要像给六年级学生讲解一样，一步步讲清过程，不要直接把答案报出来。

豆包的讲法最接近「分步板书」。它先带学生回到分数本身：1/6 和 1/4 分别代表什么，再引导算出两天一共修了多少份，接着把这部分和「140 米」对应起来，最后停在「140 除以五分之十二」这一句上，明确点出运算关系，却把计算结果留给学生自己完成。它把过程拆得很细，结构也很清楚，更像一节有节奏的答疑小课。

千问则直接上了代数路线。它把条件转写成方程：设路长为 x，列出「x× ( 1/6+1/4 ) =140」，合并分数、化简方程，顺畅地求出答案。整个过程利落干净，逻辑也完全正确，只是对刚接触应用题的学生来说，少了一些从「文字条件」过渡到「数学表达」的停顿点，更像是给已经具备方程基础的学生看的解析。

灵光站在中间位置。一方面，它会根据条件列出算式与等式，逐步写出每一步的推导；另一方面，在表达上会通过排版和可视化把关键步骤突出出来，最后加上简短的结论和检查，整体呈现最像课堂上的「例题 + 板演」。

第二道语文题换成了李白的《上李邕》。指令要求不仅要回答两道大题，还要告诉学生「怎么抓住这首诗的中心思想」。

豆包按部就班地完成任务：先把修辞和情感问题回答完整，再额外补上一段「如何抓中心思想」的方法，内容齐全，但结构略显「模板化」。千问则是标准答题模式：直接给出两问的规范答案，准确、完整，但不再往外延展。灵光则把答案、解题思路、易错提醒和举一反三全部放进一段连续的话语里，明显带着教辅写作的影子，也更接近一位语文老师的讲评稿。

英语部分，我们用的是一个典型的现在完成时例句「I have lived here for three years.」，要求讲清结构、含义、常见错误和记忆方式。

三款助手都能说清 for 与 since 的区别，也能给出现在完成时的基本结构。豆包按指令完整铺开，千问在准确性和紧凑度上稍有优势，灵光则保持了清晰而不过度展开的风格。就这个单点来看，它们都已经具备「讲清一个句型」的能力。

这一轮下来，三款 AI 在正确性上都没有问题，但气质各不相同：豆包擅长把一题拆成几个明确步骤，让学生跟着走；千问更像一本解析，把最关键的那条路径画得很清楚；灵光则在「讲清楚」之外，又刻意补了一些教学上的设计感。

实测二：错题诊断——谁真的在「理解学生错在哪」

题讲完了，真正拉开差距的往往出现在下一步：学生做错了一道题，AI 能不能看懂「他为什么会错」。

我们给出三个典型错误：

把 1/2 + 1/3 算成 2/5；「通过阅读这本书，使我懂得了很多道理。」这样的病句；以及「He go to school every day.」这种英语语法错误。 统一的指令是：判断错因，推测学生的知识盲点，并说明下一步该怎么教。

在分数加法的错误上，豆包准确指出了「直接把分子分母相加」这个表层问题，也能提到「没有通分」这一关键步骤，只是整体分析停留在规则层面，延展不多。千问的回答多了一层「学生视角」，比如会提到学生可能受到「小数估算」的影响，把 1/2 当成 0.5，1/3 当成 0.33，于是习惯性用「差不多」的心态去拼结果，诊断中带了点同理心，但没有把错因精确地落到某个知识点上。

灵光的视角则更偏教研。它会把这个错误拆成几个可能的薄弱点：没有建立起分数加法必须「分母统一」的概念，对最小公倍数的理解不牢，分数大小比较依然停留在直觉层面，甚至没有形成「单位一致再运算」的常识。之后给出的教学建议也围绕这些薄弱点展开，比如通过不同分母的具体例子强化通分流程。对老师来说，这样的诊断更容易转化为具体的补救设计。

在语病和英语错误部分，三款助手的表现都在线：都能识别「通过」后面缺主语，指出动词形式应该用 goes。但豆包更偏向讲规则，千问会多加一句「这种错误在学生写作中很常见」，灵光则习惯把错误挂在某个清晰的知识标签上，例如「介词结构作状语时，主语必须明确」「第三人称单数需单独强化」等。

这一轮测试的差别，可以概括为：豆包擅长指出「哪一笔写错了」，千问愿意多想一步「学生大概是怎么想的」，灵光则努力把错题放回知识结构里，让后续教学有一个明确的着力点。对真实教学场景来说，三种风格都能用，但适配的对象不太一样。

实测三：出练习题——谁能真正帮老师「出一套题」?

讲题、诊断之后，自然会走到练习题。我们设定了两个场景：一是六年级「异分母分数加减法」，二是初一「一般现在时与一般过去时的对比」。要求三款助手分别生成 6 道题，分成基础与提高两类，遵循对应学段的难度，并尽量贴近真实课堂。

在数学部分，豆包按要求给出了三道计算题和三道简单应用题，题目形式规范，难度也合适，只是看起来更像从题库里抓出来的一组题，和前面的错因分析关系不算紧密。灵光生成的题目同样合格，但整体也偏「完成任务」，不像是围绕某条教学主线精心设计出来的练习。

千问的表现则明显带着「教学工具」的色彩。它不仅会标注每道题的类型，例如「通分基础题」「混合运算题」「生活情境应用题」，还会在部分题目后加上一行简短说明，指出这道题主要训练什么能力，比如「强化分母统一的意识」。最后，它还会自动把这些题整理成一个 Word 文档，方便老师或家长直接下载编辑、打印使用。这种从「出一道题」到「出一份练习」的一体化能力，让它更像是被设计来嵌入教学工作流的产品。

在英语练习生成上，三款助手同样完成了任务，题目基本围绕时态对比展开，也都加入了日常生活情境。差别依然类似：豆包和灵光提供的是「可用的一组题」，千问在题型标记和练习结构上多做了一点「老师视角」的功夫。

从结果来看，目前三款助手在「能不能出题」这一层都已经成熟，真正拉开差距的是「能不能为老师提供一组有教学意图、有使用便利性」的题。就这一点而言，千问在学习大模型加持下，走得稍微更远一些。

学习计划—— AI 能不能排出一周「真能做完」的学习 ?

AI 能不能设计学习路径，是家长和老师关心的另一个问题。我们构造了一个虚拟学生：小学六年级，计算题没问题，但一遇到分数应用题就「脑袋一片空白」，不爱审题，看不出数量关系，对分数本身也不够稳。三款助手的任务，是为这个学生制定一个 7 天的数学提升计划，每天不超过 40 分钟，有明确的小目标、有可以执行的练习，并在每天结尾写一句简短的鼓励话。

豆包给出的计划非常工整，习惯性用表格承载内容，把每天的重点、练习建议和时间分配都列出来，细节比较充分，适合家长快速浏览和打印。千问更注重语言的亲和感和目标的聚焦，比如会在某一天明确写上「今天只做一件事：先把题目读对」，然后围绕这个小目标安排练习，最后的鼓励话术也明显在「对话学生」，而不是只对家长说话。灵光的计划略显紧凑，句子更短、目标更清晰，像是一份训练方案，强调的是每一天要攻克的关键点。

整体来看，这一轮测评并没有出现「谁明显不行」的情况，三款助手都已具备制定短期学习计划的能力。它们之间的差别，更多体现在细节风格上：豆包偏工程化与结构化，千问更像班主任写的学习建议，灵光则有一点「训练营教练」的味道。

实测五：连续对话与陪伴——从「一道题」到「一个小闭环」

单次答疑之外，我们还想看一件事：当学习进入一个小闭环，AI 能不能记住前后逻辑，给出连贯的帮助。

为此，我们用了一个三步连续任务。

第一步，让 AI 分析一条错误解题过程：「5/6−1/4=4/10=2/5」，并判断学生的错因与知识薄弱点；第二步，基于这些薄弱点出 3 道针对性的练习，并标出每道题主要训练哪种能力；第三步，假设学生已经比之前做得好一些，请 AI 写一段 3 – 4 句的学习反馈。

在第一步诊断中，三款助手延续了前面的水准：豆包能准确指出计算规则上的错误，千问会补充学生可能的直觉思维路径，灵光则把问题更系统地归类到通分、单位统一和数量关系理解等环节。

到了第二步，出练习题的针对性和承接感开始成为分水岭。豆包给出的三道题，难度控制得不错，也大致围绕分数加减展开，但和前一轮诊断提到的薄弱点关联不算非常紧密。灵光会刻意提示「这几道题重点练习通分和单位统一」，但在题目本身的设计上，有时会出现额外的提醒和警示，让练习显得略微「用力过猛」。千问在这一环则做得比较自然：三道题分别对应前面提到的几个弱点，每道题后面都有一句简短说明，例如「这道题主要考你是不是先把分母变成一样的」，既照顾到了逻辑承接，也便于家长理解为什么要做这道题。

第三步的学习反馈，是最贴近真实课堂的部分。豆包的反馈内容完整，会提到学生在哪些地方有进步，也会提醒「下一步可以多练练读题和列式」，整体结构清楚，但有时语气略显「机械」。灵光在这一步的内容相对简短，主要是简要肯定和一句鼓励。千问的表现更接近老师写的评语：先具体肯定改进之处，再指出仍需注意的点，语气自然，不会过度鼓励，也不会给学生压力。

通过这个三步小闭环可以看出，当任务从「一次问答」升级到「一个小周期」，三款助手在连贯性上的差别被放大了。千问在前后承接、逻辑一致性和反馈细腻度上表现最好，豆包在执行指令和保持稳定方面最可靠，灵光则在分析型任务里更有优势，但在连续陪伴的打磨上还有提升空间。

这五组实测呈现出一个相对清晰的图景：豆包、千问和灵光，都已经可以在学习场景中「帮上忙」，但它们其实在扮演不同的角色。

豆包像一套结构扎实、执行可靠的学习工具。它擅长把过程拆开、把步骤讲清楚，任务给得越具体，它完成得越干净利落。千问更像一位试图理解学生、也在意教学流程的老师：能讲清楚、能看明白错因、能给出一组有教学意图的练习，也能在一两周的学习路径上保持语言和逻辑的连贯。灵光则在诊断和呈现方面有自己的长板，尤其是在把错误放回知识网络、把解析做得更「课堂化」这一点上，展现出明显的专业感。

对教育行业来说，更重要的并不是「谁赢了」，而是这次测评已经足够说明：

我们讨论 AI 学习助手时，焦点正在从「模型能力」转向「教学能力」。下一步的竞争，不再只是比谁答题更快、谁能生成更多内容，而是比谁更尊重学习的节奏、谁更理解教学过程本身、谁能更自然地嵌入真实课堂与家庭学习场景。