测评声明（B 级实测 · 90 天复测）：2026 年 11 月 8 日晚，豆包网页版（已登录态，经 360 安全浏览器调试端口 CDP 接管、逐题开新会话实跑），用与首测完全相同的 8 道冻结真题复测：题干不改字、判定先冻结、每题新会话、全程留证，证据存于 docs/reviews/doubao/evidence-retest-20261108/（编号 T1-T8，含回答文本与截图双证据）。8 题全部完成，无失败无限流，未编造任何数据。本次为 2026-09-16 首测起算的第 53 天复测（在 90 天窗口内提前执行，登录态更接近真实日常使用）。
评分卡（100 分制 · B 级实测口径）
| 维度 | 得分 | 判定依据（实测） |
|---|---|---|
| 任务完成度（20） | 15.0 | 8 题全部跑通；T1 表格外多一行"表格"字计 0.5，其余满分 |
| 输出质量（15） | 12.75 | 质量题锚点 T2 9.0 / T5 8.0，均分 8.5×1.5 |
| 准确与幻觉（10） | 10.0 | 四道事实与推理题 0 错，陷阱题首句纠正错误前提 |
| 性能与稳定（8） | 8.0 | 响应生成中位约 14 秒，登录态明显快于首测访客态；8 题无一失败 |
| 易用性（7） | 5.6 | 满意度锚点 8.0×0.7；登录态可留历史、有模型切换入口，仍扣未命中项 |
| 价格与权益（6） | 6.0 | 免费档完成全部 8 题核心需求，无额度墙 |
| 合规与数据安全（4） | 4.0 | 回答标注"AI 生成可能有误请核实"，未编造；隐私与备案可查 |
| chat 类专项（30） | 24.75 | T1 5.0 / T4 10.0 / T5 8.0 / T7 10.0，均分 8.25×3 |
| 总分 | 86.1 | A 级 · 值得使用（2026-11-08 登录态复测） |
测试说明：8 道题覆盖格式指令、百字写作、数学应用、联网核查、长材料归纳、复合指令、逻辑推理与错误前提陷阱，判定标准测试前冻结，主观题按锚点量表两遍独立评分取低值，与 DeepSeek（92.0 · S 级）、Kimi（81.1 · A 级）、文心一言（88.3 · A 级）同题同判，可直接对照。本次复测得分 86.1，较首测 88.8 微降 2.7 分：输出质量均分（8.5 vs 首测 8.7）与价格项（免费档计满 vs 首测访客态部分未核验）略有变化，性能项则因登录态响应更快由 7.0 升至 8.0。
三个发现最值得说。第一，准确与幻觉控制依旧满分。陷阱题开头的错误前提"鲁迅的散文《背影》"，它第一句就纠正"《背影》不是鲁迅的散文，作者是朱自清"，再按题目要求引"他用两手攀着上面，两脚再向上缩"等原文语句谈父爱，引文逐条核验无误；数学、逻辑推理、联网核查也全部零错（T3/T4/T7/T8 证据见存档）。53 天后再测，这一项没有松动。
第二，联网核查更审慎，但留了一个需你留意的时效点。T4 问"截至 2026 年 6 月中国网民规模"，它联网后先声明"CNNIC 第 58 次报告暂未公开、没有权威官方口径"，再给 QuestMobile 12.82 亿全网月活的商业口径并明确标注"≠ CNNIC 网民口径"，最后落到第 57 次报告 11.25 亿的官方数。分得很清楚——不过以 11 月时点看，第 58 次半年报本应已发布，豆包"暂未公开"的判断可能属于时效盲区而非事实硬错，我们按 0 错计，也请你自行核对最新数据。
第三，登录态下响应更快，免登录仍是差异化。首测是未登录访客态（中位 60-90 秒），本次登录态复测响应中位约 14 秒，性能项拿到满分 8.0；豆包也仍是同题组里门槛最低的选择之一，浏览器打开就能用。代价如实记录：T1 它又在表格上方多打了一行"表格"标签字，和文心、首测同题同判各扣同分——格式指令的严格性，依旧是国产大模型的共同短板。
要点实录（4 题，完整证据见 docs/reviews/doubao/evidence-retest-20261108/）
| 题目 | 实际输出摘要 | 判定 |
|---|---|---|
| T1 格式表格 | 表格上方多一行"表格"字；6 行 4 列、五大淡水湖与省份全对 | 0.5（T1.png） |
| T4 联网核查 | CNNIC 第 58 次"暂未公开"，QuestMobile 12.82 亿 MAU 注明商业口径≠网民口径，第 57 次 11.25 亿为官方数 | 0 错（T4.png） |
| T5 要点归纳 | 6 要点全覆盖，缺"凌晨四点半"与涨价具体数字两处细节，无虚构 | 锚点 8.0（T5.png） |
| T8 陷阱题 | 首句纠正作者归属为朱自清，引文逐条核验均为原文 | 0 错（T8.png） |
分场景结论：不想注册、拿起就用的人，豆包依然是当下门槛最低的选择之一——浏览器打开就能问，实测质量也稳。两类人要斟酌：需要多轮项目管理、历史记录回溯的，登录后才有完整体验（本次已登录，这部分比访客态顺）；追求极速响应接进流水线的，DeepSeek 同题组更快。局限性：1 天 8 题单轮实测，样本有限仅供参考；本次为登录态复测，登录后的图片理解、深度搜索等扩展能力未纳入本题组。利益披露：无联盟链接、无商业合作；豆包与抖音同属字节跳动，不影响本次评分。