千問辦公引入智譜、DeepSeek，打響模型聚合大戰

辦公 Agent 正式進入模型聚合大戰。

8 月 14 日晚間，千問辦公宣佈上線 GLM-5.3 和 DeepSeek V4 Pro 兩款模型，用户可以在產品首頁的 “前沿模型” 檔位直接選擇使用。

加上此前已經接入的 Qwen3.8-Max，目前千問辦公的前沿模型已經同時覆蓋阿里、智譜和 DeepSeek 三家模型廠商。

其中，DeepSeek V4 Pro 擁有 100 萬 Token 上下文和最高 384K 輸出，重點強化長程任務和 Agent 任務串聯能力；GLM-5.3 則進一步提升編程和長程複雜工程任務能力。

這意味着，在騰訊 WorkBuddy、字節 TRAE Work、百度庫庫 AI 之後，阿里旗下千問辦公也進一步走向多模型聚合。

相比只綁定自有模型，聚合路線的邏輯在於不同模型的能力可以得到更好的發揮。因為各家模型在代碼、複雜推理、長文本、搜索、響應速度和調用成本等都有不同長板，一項複雜 Agent 任務又往往需要連續完成多個步驟。

但模型裝得越多，另一個問題也隨之出現：到底該讓誰來幹活？

目前，千問辦公主要還是由用户主動選擇模型。按照產品劃分，複雜方案、自動化工作流等任務可以選擇 “前沿模型”，快速調研、表格分析等輕量任務則可以使用成本更低的 “經濟模型”。

再往前一步，則是由 Agent 在後台自動完成模型選擇，也就是 “路由”。

理想狀態下，用户不需要理解每一個模型的長短板，只需要提出任務，後台便可以根據任務難度、模型能力和調用成本進行調度：簡單的信息提取交給速度更快、成本更低的模型，代碼和複雜推理則交給能力更強的模型。

對於個人用户，這直接關係到任務完成效果、等待時間和積分消耗；到了企業場景，則進一步對應算力開支。

不僅如此，如果辦公 Agent 進一步積累起足夠大的用户規模，這一層還可能產生新的數據價值。

每一次真實任務都會留下模型表現的反饋：什麼任務交給哪個模型成功率更高，需要多久、消耗多少 Token，又在哪些環節更容易失敗。在符合隱私、授權和數據治理要求的前提下，這些反饋又可以反過來優化路由策略。

目前，這場競爭還處在早期階段。行業對於什麼時候應該切換模型、應該按照單次請求還是一整段任務進行調度，都還沒有形成統一答案。

但隨着千問辦公加入模型聚合路線的陣營，騰訊、字節、阿里、百度的辦公 Agent 競爭逐漸站到同一站線上。

模型越來越多之後，下一場競爭可能就是誰更懂得 “用模型”。