1. 评测范围与报告内容
办公 Agent 能否完成一份可用的表格、演示文稿或文档报告？EvalDock 从五套评测集中选取 75 道任务，由四款产品分别执行，围绕 300 项结果比较最终交付表现。
以下按任务展示成绩，并结合具体文件说明交付表现。总分按五套题集等权汇总，分项用于比较不同任务类型下的表现。
- 参测产品
- 4款
- 不同任务
- 75题
- 交付结果
- 300项
- 评测题集
- 5套
本报告评估允许人工辅助、续接和重试后的最终交付质量。取样方式、执行条件与评分规则见第 06 节。
2. 四款产品的评测成绩
五套评测分别覆盖办公文件交付、电子表格处理、PPT 修改、演示文稿生成和文档图像问答。每款产品在每套评测中均有 15 道题，成绩统一换算为 0—100 分，具体公式见测试方法。
总分 · 五套题集等权
每款 75 题 · 总分 / 100
办公文件、电子表格、PPT 修改、PPT 生成、文档问答各占 20%；PPT 生成取内容、设计、连贯性三项换算分的平均。总分仅概括本批 75 道任务的表现。
深色为当前指标的本批最高值（含并列）；分数不代表任务成功率。
计分方法 ↗各项按理论范围换算为 0—100 分，总分按五套题集等权计算。
OfficeBench 与 SpreadsheetBench 的通过数反映是否满足对应任务的检查要求。PPT 分数描述指定修改或生成质量。ANLS 衡量答案文本相似度，不等同于答对率。这些指标回答不同问题，适合在各自任务范围内比较。
3. 本批主要发现
本批结果显示，不同产品的领先项随任务类型变化。 办公文件交付中，WPS 灵犀和豆包通过全部 15 题；电子表格任务中，千问和豆包通过全部 15 题。千问在 PPT 修改任务中得分最高，豆包在演示文稿的设计与连贯性评分中最高，灵犀在文档问答的文本相似度指标上最高。
以上按分项指标展示本批领先表现，具体交付差异见下方案例。
4. 具体交付案例与任务表现
结合表格、发票、PPT 和文档问答，查看分数背后的交付细节。以下案例仅描述本批对应任务。
电子表格：计算、完整性与表达共同影响交付
本批 SpreadsheetBench 样本中，千问和豆包均通过 15 题，灵犀和 WorkBuddy 均通过 14 题。结合办公文件任务，可以看到影响交付的细节不仅是公式逻辑，还包括字段和数值表达。
千问在一项收入提取任务中正确填写了年份和金额，但把要求的 year 表头写成了 d，因此未通过完整检查。金额提取正确与字段满足要求，需要分别判断。
灵犀在一道滚动求和题中，正确补出了后八行的求和公式，但前三个应计算的位置仍为 n/a，预期值分别为 4、6、12。这一例体现的是目标区域填写不完整。
WorkBuddy 在按月份天数计算夜班比例的任务中，正确处理了闰年和月份天数，但将小数比例放大了 100 倍。例如，10/31 应约为 0.322580645，交付值为 32.258064516；十二个月份中，十一个非零结果存在尺度问题。
| 验收维度 | 本批观察 | 实际使用时的检查点 |
|---|---|---|
| 字段准确性 | 数据正确，指定表头不符 | 列名、位置与任务要求是否一致 |
| 区域完整性 | 已有公式正确，部分目标单元格未填 | 是否仍有空白、占位符或错误值 |
| 数值表达 | 比例与百分数的尺度混用 | 底层数值、显示格式及单位是否匹配 |
发票报告：金额与主体信息分别验收
在一项两张发票汇总任务中，WorkBuddy 完成了金额汇总与报告交付，金额正确；但将“Earthenware for everyone”这句宣传语识别为供应商名称，漏掉了票面收款方“Pottery & Co.”。
这说明一份报告的计算结果和主体信息可能表现不同。验收票据类交付时，应分别核对金额、公司名称及交易角色。仅检查总额，无法覆盖报告中的全部关键信息。
PPT：修改准确度与生成质量各有侧重
Microsoft PPT-Eval 关注按要求修改已有演示文稿。本批千问得分 98.3，WorkBuddy 为 93.3，灵犀为 91.7，豆包为 83.8，满分均为 100。
具体交付中，千问曾将“Instant messaging”放入表格的另一列；灵犀曾生成两条并有缩进的项目符号，但保留了指定句子之外的原文。对修改类任务，内容是否处于指定位置、修改是否符合要求，都是验收的一部分。
PPTAgent / PPTEval 则分别评价生成演示文稿的内容、设计和连贯性。换算为百分制后，千问的内容得分为 59.6，在本批略高；豆包设计得分 79.6、连贯性得分 76.7，在本批最高。
PPT 修改与生成分别考察指令执行和内容创作，阅读成绩时应结合具体用途。制作演示文稿时，除版式与叙事外，还应核对关键数字、引述和结论的来源。
文档问答：区分信息理解与格式差异
本批 DocVQA 按平均 ANLS 换算为百分制后，灵犀最高，为 98.5；千问与 WorkBuddy 均为 93.3，豆包为 86.7。先对每款 15 题的 ANLS 求均值，再换算展示。
在对照源图检查的 60 份回答中，55 份原满分回答与源图信息一致。另有 3 份回答存在文本格式差异：千问将页码 12 写为“Page 12”，灵犀使用不同的日期分隔符，豆包将 800 写为带原图单位的“800 ng/g”。这些回答发生了文本匹配扣分，不能直接理解为对应信息均识别错误。
另外 2 份回答将题目要求的列标题理解成总标题或左侧项目名称，属于目标位置理解偏差。源图对照采用 AI 辅助复核，用于解释扣分原因；报告保留原 ANLS 成绩，分别呈现格式差异与信息理解问题。
5. 结合你的任务阅读
如果主要处理表格，可重点查看目标区域计算和完整性；如果主要制作 PPT，应先区分修改已有文件与生成新演示文稿；如果主要处理票据或文档问答，除了数字，还应关注实体名称、角色和信息所在位置。
这批成绩与案例可帮助确定优先试用的产品与任务。正式使用前，建议结合自己的材料，按计算准确性、内容完整性和文件格式等要求验收交付结果。
6. 测试方法与适用范围
测试时间：北京时间 2026 年 9 月 23—24 日。
范围与配置。 测试覆盖五套评测集各 15 题，四款产品合计 300 项结果，均通过网页端执行。WPS 灵犀的模型标签为 DeepSeek V4.1 Flash，WorkBuddy 为 hy4-preview。模型标签依据评测记录与评测方确认；本次评测对象为产品，精确后端模型未作独立核实。
执行与取样。 本文评估最终交付质量，执行中允许必要的人工辅助、任务续接和重试，不统计首次无人干预成功率。每套 15 题按类别、难度等信息选取，属于非简单随机样本。本轮未设置重复运行实验，分差用于描述本批任务表现，尚不足以判断长期稳定优势。
评分规则。 OfficeBench 采用文件交付适配检查；SpreadsheetBench 采用 Verified 子集的目标区域比较。两套 PPT 使用本次统一的自动检查与 AI 裁判配置，PPTAgent 内容与设计按页面评分汇总，连贯性按演示文稿汇总；DocVQA 采用平均 ANLS。
核验范围。 文件检查、自动评分与针对性内容复核共同构成核验依据，覆盖范围随案例说明，并非全部产物的独立人工验收结论。PPT 内容评分不包含源 PDF 事实的逐项核验；DocVQA 源图对照采用 AI 辅助检查，用于解释扣分原因，保留原 ANLS 成绩，不另计人工盲评结果或正确率。
百分制换算
所有成绩按指标的理论范围线性换算为 0—100 分，不按本批产品的最高、最低值拉伸。
- 办公文件与电子表格： 通过题数 ÷ 15 × 100。
- PPT 修改： 原评分范围为 0—100，数值保持。
- PPT 内容、设计与连贯性： 原评分范围为 1—5，按（原分 − 1）÷ 4 × 100 换算；1 分对应 0，5 分对应 100。
- 文档问答： 平均 ANLS × 100。
使用未四舍五入的原始均分计算，最终显示一位小数。换算仅统一展示尺度，不改变各项排序；不同任务的分数含义仍不同，换算分不等于任务成功率。总分 =（办公文件换算分 + 电子表格换算分 + PPT 修改换算分 + PPT 生成换算分 + 文档问答换算分）÷ 5，五套题集各占 20%。其中 PPT 生成换算分 =（内容换算分 + 设计换算分 + 连贯性换算分）÷ 3，三个维度合计只占总分的 20%。总分同样使用未四舍五入的数值计算后显示一位小数。
结果解读。 总分概括本批 75 道任务在所列产品配置下的最终交付表现，权重变化会影响总分与排序。跨报告比较需核对题集、执行条件和评分配置：本次采用选取样本与适配评分，PPT 裁判配置也与原评测不同，成绩用于本报告内的产品比较。
数据日期：2026-09-24。结果适用于本文所列样本、配置与评分口径。
7. 报告信息与参测配置
本报告由 EvalDock 整理，公开汇总成绩、具体交付案例和必要的计分方法、执行条件。
配置按测试时的评测记录与评测方确认列示，模型核实范围见第 06 节。
千问办公 ↗
网页端 · 每套 15 题，共 75 题
模型：未核实
WPS 灵犀 ↗
网页端 · 每套 15 题，共 75 题
模型：DeepSeek V4.1 Flash
WorkBuddy ↗
网页端 · 每套 15 题，共 75 题
模型：hy4-preview
豆包工作 ↗
网页端 · 每套 15 题，共 75 题
模型：未核实
引用建议：EvalDock，《四款办公 Agent，75 道任务实测》，2026-09-24。报告固定地址。