讯飞星火,AI燎原or熄灭?
一分耕耘,一分收获!既然都打开这篇《讯飞星火,AI燎原or熄灭?》,就坚持看下去,学下去吧!本文主要会给大家讲到等等知识点,如果大家对本文有好的建议或者看到有不足之处,非常欢迎大家积极提出!在后续文章我会继续更新科技周边相关的内容,希望对大家都有所帮助!
本篇文章作者将从文本、问答、翻译、逻辑、代码编写和计算能力等几个方面,对比讯飞星火和ChatGPT两个应用的差别 ,希望这篇文章能对你有所帮助。

讯飞星火6月9日迭代在即,一起来看看它是否能成为真的中文ChatGPT?本文将从多种指令角度,全面对比并评测下讯飞星火认知模型与ChatGPT的差异。
讯飞星火:继百度文心一言与众多国内AI平台发布后,讯飞星火发布的一款认知大模型,主要能力包括文本生成、语言理解、知识问答、逻辑推理、数学能力、代码能力、多模态能力。
笔者有幸成为讯飞星火体验的受邀人员,以普通工作者的身份,接下来分别从“文本生成、问答能力、语言翻译、逻辑推理、代码编写、数学计算能力”这几个方面进行评测对比。
(注:ChatGPT测试模型为3.5版本)
一、文本生成
讯飞星火在中文语言理解能力一定程度上是优于ChatGPT的。
可以看到下方对“七言绝句”的处理结果明显好于对方;但是对于日常工作的文本生成,ChatGPT文本更为自然。
讯飞理解更透彻一些,而ChatGPT则更像是将文字堆积在一起形成的生硬联想。整体上,中文的理解能力星火略胜一筹,但普通文本生成的自然度,ChatGPT大部分情况下更为优秀。
关于生成诗词与邮件的对比:


二、问答能力
- 工作上常规问题回答,讯飞星火更为通用化些,ChatGPT更为细致化,从匹配度上说,ChatGPT的参考价值会高些。
- 都能理解普通的上下文记录。ChatGPT的记忆能力略强。
- 中文常识问题,特别涉及到历史文化文学,星火对信息的检索与分析明显优于ChatGPT。
工作问题1:

以下是讯飞星火:


工作问题2:


表格和数据检索的处理似乎非凡,能够获得大量数据。但实际上这些数据并不真实,再次处理时可能会导致负增长。尽管ChatGPT无法提供准确数据,但它至少不会向用户提供虚假数据,这一点是星火急需改善的。

常识问题:




三、语言翻译
两者都具有直译能力,但是涉及到中文的理解力,星火翻译的更有感染力一些.
例如下图示例中,ChatGPT使用的是“sprouting up”-发芽;而星火使用的是“emerging in droves”-“涌现”,明显字意表达更为贴切。
四、逻辑推理
- 逻辑陷阱。例如询问“爸妈结婚为啥不叫我”类似问题时,国内大部分语言模型都无法正确处理,ChatGPT的答案更为全面,星火直接选择不答。
- 基础的逻辑能力两者都具备。对于复杂的逻辑题目,两者回答的出错率都很高
- 逻辑分析的广度、深度总体ChatGPT优于星火。但ChatGPT这类语言模型只要脱离了常见的“常见区域”基本都会犯错,只是在错误中,ChatGPT的错误概率或者出错的离谱度小于星火。
逻辑问题1:


正确答案:
逻辑问题2:


可以看到此时ChatGPT就已经出现错误了,但仍然有一定的正确率。
再看星火,从第二个问题开始,“cpu”就已经被干烧了。


五、代码编写
两者都具备一定的代码编写能力,包括代码编写、代码注释、代码debug能力。
由于笔者不是专业开发人员,不能实际验证是否能真实编译但是从外部资料和输出结果看,讯飞星火对比刚发布时代码编写能力有一定提升,找错的准确度也更好于之前。
咨询过很多开发同学,ChatGPT整体实力上还是比星火优秀。


以上是星火纠错的一个实例。
六、数学计算能力
对于数学计算,所有的语言模型都存在短板,高难度的数学问题是十分严谨的,只要其中一个步骤出错答案就会出错。
计算机语言无法像人类一样理解含义,例如它可能会将“10”解释为“1”和“0”。计算机处理这些“定量推理”问题时面临很多困难,因为大多数数学问题都伴随着复杂的推理逻辑。
可以看下星火的数学计算实例:


可以看到,星火连题意都没理解清楚,但ChatGPT至少举例了一种情况。
七、总结
在全面体验讯飞星火后,同时将其与其他产品在工作中使用的情况进行对比,我发现在问题处理和多次prompt的情况下,ChatGPT提供的答案在参考价值和回答广度方面仍然更优。
讯飞星火是我目前使用过的最佳和最流畅的国内AI模型产品,自百度文心一言以来。可以说它完全配得上“星星之火”的称号。
然而,与OpenAI的技术相比,仍存在一定差距。同时,作为生产力工具,它的实用性稍弱一些。但在中文语言理解和特定常识问题方面,它具有一定的优势。
客观地说,讯飞已经取得了很大的进步,希望国内的互联网科技公司能够加紧追赶,不要让“西方成为潮流”,让“华流才是最吊的”。
本文由 @旺仔产品笔记 原创发布于人人都是产品经理,未经作者许可,禁止转载。
题图来自Unsplash,基于CC0协议。
今天带大家了解了的相关知识,希望对你有所帮助;关于科技周边的技术知识我们会一点点深入介绍,欢迎大家关注golang学习网公众号,一起学习编程~
在Go语言中实现高效的自动化测试
- 上一篇
- 在Go语言中实现高效的自动化测试
- 下一篇
- MySQL中的数据表压缩技术
-
- 科技周边 · 人工智能 | 11小时前 | 解析 · 人工智能 · 结构化输出 · 结构化输出 JSON Schema grammar response_format 模型接口
- 模型接口怎样约束输出为可解析结构
- 134浏览 收藏
-
- 科技周边 · 人工智能 | 11小时前 | 人工智能 · 工程实践 · Python 请求超时 Hugging Face OpenAI API 兼容接口 HTTPX2
- 兼容 OpenAI API 的客户端怎样设置请求超时
- 135浏览 收藏
-
- 科技周边 · 人工智能 | 11小时前 |
- Safetensors 分片权重怎样按索引加载
- 389浏览 收藏
-
- 科技周边 · 人工智能 | 11小时前 | padding attention_mask Tokenizers encode_batch
- Tokenizers 怎样批量编码并返回 attention mask
- 204浏览 收藏
-
- 科技周边 · 人工智能 | 11小时前 |
- Diffusers 怎样比较不同 scheduler 的采样取舍
- 134浏览 收藏
-
- 科技周边 · 人工智能 | 11小时前 | 模型 · 人工智能 · model space dataset Hub Hugging Face Collections
- Hugging Face Collections 如何把模型、数据集和 Space 归组管理
- 160浏览 收藏
-
- 科技周边 · 人工智能 | 12小时前 | 人工智能 · 深度学习 · PyTorch DataLoader Accelerate 多进程训练 split_batches dispatch_batches
- Accelerate 怎样准备多进程数据加载器
- 222浏览 收藏
-
- 科技周边 · 人工智能 | 12小时前 |
- Transformers 批量生成时 padding_side 为什么重要
- 270浏览 收藏
-
- 科技周边 · 人工智能 | 12小时前 | LoRa PEFT target_modules all-linear
- PEFT LoRA 怎样选择目标模块
- 378浏览 收藏
-
- 科技周边 · 人工智能 | 12小时前 |
- Transformers 怎样区分 max_length 与 max_new_tokens
- 373浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 990次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 994次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1117次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1090次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 932次使用
-
- 量化模型本地推理的显存估算方法
- 2026-10-17 501浏览
-
- 本地大模型反复输出同一句话怎么调整生成参数
- 2026-09-06 501浏览
-
- Python 调用大模型时如何用结构化输出校验 JSON:从解析失败到可重试
- 2026-08-29 501浏览
-
- AI写作工具免费版安装教程(含豆包Clawdbot)
- 2026-05-30 501浏览
-
- WPS AI能自动生成PPT吗?输入主题一键制作演示文稿
- 2026-05-27 501浏览

