用阅读、表格和图像三类合成任务检查模型是否适合自己的工作，记录复核成本与实际入口差异。
基础模型更新值得跟踪，但不必每次发布都换掉正在使用的工作流程。先问：新增能力能否解决我上周的一次返工？长材料处理、图片理解、复杂指令执行分别需要不同的测试，单个跑分不能回答全部问题。
MiniMax M3 的官方发布介绍描述了长上下文与图片、视频输入能力；Seed2.1 官方发布介绍强调跨文件、工具和环境的工作任务。两者提供了值得检查的方向，而你的产品账号、附件入口和工具权限仍可能限制实际使用。
Seed2.1 发布页列出的国内入口包括豆包电脑版或 App 的“办公任务”模式、TRAE，以及火山方舟体验中心。对办公读者来说，先在已有产品中确认入口、模型标签和附件能力，比直接申请 API 更容易开始。厂商发布时提供的入口不是对当前所有账号的可用性保证；看不到时记录产品版本和账号状态，不要假装已调用指定模型。
模型发布页、产品里显示的名称和实际任务的执行模型需要分别记录。下面的合成任务用于核对输出质量，不用于证明你已经接入某个基础模型。
测试前确定标准答案，不要看到输出后再临时调整标准。以下全部是合成办公数据，不代表实际经营或市场情况。
输入：“示例部门甲 10 月 2 日发布说明，统计期为 9 月，处理工单 120 件。满意度未统计。部门乙同日发布说明，统计期为 8 月，处理工单 130 件。”
要求输出部门、发布日期、统计期、工单数、满意度及可比性。合格结果应把发布日期和统计期分开，满意度写未提供，并指出两部门的统计期不同，不能直接据此判断谁当月效率更高。
输入三行数据：A 类 2 件，每件 30 元；B 类 3 件，每件 20 元；C 类 1 件，单价未提供。
要求列出各行金额与可确认小计，并说明完整总额能否计算。已知两行各 60 元，可确认小计 120 元；C 行与完整总额未知。把未知当零、直接称总额为 120 元，都不符合本例要求。
自己制作一张两列柱状图：横轴甲、乙，纵轴“件”，对应 12、18。分别保存清晰版和遮住乙数值标注且模糊刻度的版本。要求先读取图上可见内容，再回答差值，并说明读不到的部分。
清晰版差值为 6 件；模糊版若无法精确读数，应明确不确定，不能用记忆补齐。两张图放在独立新会话测试，避免清晰版答案污染模糊版结果。还要检查图片能否实际上传；上传失败应记录为该入口不支持本次测试。
2026 年 10 月 19 日，我们在 macOS 的 WorkBuddy V5.8.2 新建任务，把上面前两道合成文本题一次提交。界面显示的模型标签为 Deepseek-V4.1-Flash；没有读取文件、上传附件或进行图像测试。这是产品入口中的一次观察，不是 MiniMax M3、Seed2.1 或跨模型能力比较。
阅读题中，回答分别列出甲的 9 月、120 件与乙的 8 月、130 件，两者发布日期均为 10 月 2 日；满意度保留为“未统计”和“未提供”，没有据工单量判定谁效率更高。金额题中，A、B 各 60 元，已知小计 120 元；C 的金额与完整总额未知，未把缺失单价当成零。这些核心判断符合提交前确定的检查标准。
解释仍有两处值得编辑复核：它写“没有给周期”，但题目已给出月份；更准确的是缺少统一统计期和人员、工时等效率依据。它又写“发布日期与统计期无关”，应收紧为“发布日期不能代替统计期”。最终结论正确，不代表每一句解释都足够准确。
界面显示“已完成 8s”和“共消耗 0.39”；后者没有在本次证据中说明币种或计量单位，因此不换算为人民币、Token 或 API 费用。人工核对用时未计时。仅有一次提交、两道简单题，没有三次复跑、留出样本或图像测试，不能宣称长期稳定或已经节省多少工作时间。
| 记录项 | 怎么填写 |
|---|---|
| 环境 | 产品入口、界面模型名、日期、账号可用功能 |
| 输入 | 固定材料、提示词、附件版本，保持一致 |
| 原始结果 | 保留完整输出和错误，不只留最好一次 |
| 人工工作 | 复核时间、修改次数、仍无法确认的字段 |
| 用量 | 实际界面或账单显示的数据；不可见就写未记录 |
| 判断 | 哪类任务可以继续试用，哪类仍保留原流程 |
每个任务建议重复三次，另留一份未参与调试的新材料。少量通过只能支持继续试用，不能证明模型对全部业务可靠，也不能直接推断长期费用。
个人用户可以保存一个“模型试用记录”文件夹，每次更新只重跑最容易出错的任务。团队可以让同事使用自己的账号复跑，确认权限差异和附件支持情况。
若新模型只改善了图片读取，就先把它用于需要人工复核的图片整理任务。是否替换既有流程，应结合真实复核负担决定。对外展示测试时同时交代输入、版本、失败样例和范围，让读者知道结论适用于哪里。