WorkBuddy 大模型实测好用吗？三件活计三十五分钟见真章

WorkBuddy 新模型实测开始于 10 月 12 日，阶跃星辰家的 Step-5-Preview 当天上线 WorkBuddy，限时免费开放。头一批上手的人给它派了三件活：11 分钟交付一个带 3D 效果的网页卡牌游戏，14 分钟拆完一条视频的核心要点，10 分钟排完一支动画的分镜脚本。

三件事合计约 35 分钟，横跨编程、理解、创作三个方向，恰好覆盖日常办公里最常求助 AI 的三类任务，这比跑分更能说明一个大模型的真实斤两。免费窗口摆在那里，值得不值得把活压上去，得先看清它的能力结构再决定。

Step-5-Preview 在 StepCodeBench 真实代码测试里排到第三，压在 Kimi K3 和 GLM 5.3 前面，DeepSWE 软件工程测试拿到 67.7%，原生支持文本和视觉输入，背后是 1M 上下文打底。这份成绩单翻译成大白话：写代码够硬、看视频够深、排脚本够快，三件活计正好一一对应。

先从它的主战场编程说起，那也是三件事里含金量最高的一件。

编程是 Step-5-Preview 的主场。StepCodeBench 排第三、DeepSWE 拿 67.7% 的成绩，意味着它处理真实工程代码的能力处在头部梯队，网页、脚本、小工具这类日常需求对它来说属于常规操作。对不写代码的办公人群，这份能力同样有落点：把想法说清楚，成品自己长出来。

实测的活计是做一个带 3D 效果的教程游戏卡片小游戏。输入的提示词只有一句：根据 WorkBuddy 的功能，做一个 WorkBuddy 版本的游戏王，做完把测试结果发来。不到 11 分钟，一个可玩的卡牌游戏雏形就交付了，玩起来还有模有样。整个过程中人只出了一句话，从构建到测试全由大模型自己跑完，这种它干活、人验收的模式，正是重活该压给它的理由。反过来看，这类任务要是交给轻量模型，要么跑不完，要么跑出一堆没法玩的半成品，时间省了，返工却翻倍。对办公人群来说，这条路还有个额外好处：不用等排期、不用提需求，想到就能做，试错成本被压到一句提示词的份上。

编程之外，它对视频的理解能力同样值得单独验证，那是第二件事的考点。

刷抖音、视频号攒下好案例，过去的动作是点收藏然后吃灰，收藏夹里躺了十几条没拆的视频是常态。这批视频整包丢给 Step-5-Preview，考的是它的多模态理解能力。

它原生支持文本和视觉输入，视频直接喂，不用先转文字，1M 上下文打底，长视频拆起来也不心虚。对着 WorkBuddy 输入一句“拆解视频，提炼核心内容”，14 分钟左右，视频的核心要点就被提炼出来了，分析比较到位。拆完的结果还能存进资料库，下次写内容直接借鉴。AI 拆的是视频，人攒的是素材库，这条流水线对做内容的人来说价值直接：原本要手动截图、记时间点、整理要点的活，变成一句指令加一次验收，一条视频的精华十几分钟就变成了可检索、可引用的结构化素材。

顺带补一个判断依据：什么样的视频值得丢给它拆。选题库里反复出现的爆款结构、竞品的发布会实录、行业讲座的干货段落，这三类拆完的复用价值最高，因为它们产出的结构化素材能反复服务后续的选题、脚本和对标分析；而一次性的热点消遣类视频，拆了也用不上第二次，不值得占用额度。同样的道理推到编程场景也一样成立，值得压给 Step-5-Preview 的，是那些做完能复用的模板、工具和演示页面，做完就扔的需求放轻量档跑即可。

理解能力过关，第三件事考验的是创意生产，也是最有悬念的一项。

第三件是创意活。给自家的猫咪 IP 做一支变身蜘蛛侠拯救世界的动画，把素材和提示词发给 WorkBuddy，复盘时音乐、时长、分镜全都写全，10 分钟左右设计就出来了，整体效果不错。对做自媒体、做课程演示的人来说，这意味着创意的前期工序可以被大幅压缩：脑子里的画面，十分钟变成一页可以交给执行环节的分镜表。

这里有一个关键边界要认清：这个大模型本身不能生成图片和视频，它起到的作用是理解和生成脚本，图像与影像由其他能力调用完成。换句话说，它是创意流程里的大脑，负责把想法变成可执行的分镜和脚本，而不是直接出成片的手。把这条边界想清楚，就不会对它抱错期待，也能更准确地把任务拆给合适的环节，脚本归脚本，成片归成片，各找各的高效通道。

三件事跑完，怎么在限免窗口里把它用出价值，答案已经清晰。

打开方式只有一步：在 WorkBuddy 的模型选择器里选中 Step-5-Preview，认准“独家限免”标识。免费窗口的意义在于，你可以拿真实任务去压测一个高配大模型，而不是拿玩具问题试手感。

策略上有个分寸值得把握：写周报这类轻量活，留给全天免费的 Hy3 就够，别占用限免额度；卡牌游戏、长视频拆解、动画脚本这种重活、难活，才是值得压进窗口的任务。判断标准很直接，凡是需要强编程、长上下文、多模态理解三样中任何一样撑着的任务，优先排给 Step-5-Preview。窗口期有限，把额度留给那些平时舍不得跑、跑一次顶一周的任务，免费的红利才算吃到实处。真要拿捏不准，还可以用同一份活分别跑轻量档和 Step-5-Preview 各一次，对比产出质量和消耗明细，几轮下来你的任务该配哪一档，账面上看得明明白白。

看一个大模型好不好用，就看它能不能帮你解决问题，而解决问题的检验方式只有一个：把真实活计派给它。Step-5-Preview 三件实测都交了卷，编程排第三的底子、1M 上下文的理解力、10 分钟出脚本的创作力，都已经摆在明面上，剩下的就是把你手头最重的活丢过去试一试。

说到底，选模型这件事没有标准答案，只有匹配不匹配。同样的限免额度，做开发的人要的是代码通过率，做内容的人要的是拆解和脚本能力，团队协作要的是长文档的处理效率，需求不同，答案就不同。与其看评测参数下结论，不如把候选模型拉到同一张桌子上过一遍：编程任务跑一遍、视频拆解跑一遍、创意脚本跑一遍，逐项对照自己的业务清单，答案自然浮出来。