10 道真实职场题考两代 Kimi，新一代全胜，但两代都没学会说「这个我不确定」。
律师、医生、券商、HR、编辑……题目由从业者出，每题附 6–10 个互相打架的附件，限时 4 小时。Kimi K3.1 Pro 的平均分从上一代的 37.4 涨到 60.5，估算成本也翻了一倍多。
同一个模型（Kimi K3.1 Pro），
为什么当律师反而比当 HR 的分数高出一倍？
先看两个分数。同一个模型 Kimi K3.1 Pro，律师题拿了 75 分，HR 题只拿了 37.3 分。
律师题要它站在买方角度审阅一套英文云服务合同，交五份英文修订稿和一份中文谈判说明。HR 题要它给一位酒店销售新人做岗位适配分析、30 天培训计划和 KPI 考核表。
按常理，前者门槛高得多。结果正好反过来：律师题的关键检查项它全部写对；HR 题 8 条关键项只写对 2 条，还花了 3 个半小时。
这篇文章想回答的就是这个问题：AI 离一个靠谱同事，到底差在哪。答案藏在 10 道题的判分记录里，最后一节我们再回到律师和 HR。
我们怎么考的：题目里故意埋了雷
很多 AI 职场测评的题面，已经把做法写好了：读这个文件、算这个指标、按这个格式出表。这样测到的是执行，测不到判断。
我们的题反过来。每道题给 6–10 个附件，材料之间故意互相打架：埋点记录和事件日期对不上，统计计划和题面口径差一个字，待办清单是过期的，邮件里的金额没说含不含税。真实工作里，发现这些才是专业的那一半。
每题配 28–43 条检查项，分 critical、important、nice-to-have 三档，另设一票否决的红线，比如泄露个人敏感信息。裁判模型在沙箱里真的打开交付的 Word 和 Excel，逐条判。
两个选手：Kimi K3 与 Kimi K3.1 Pro，同一个 agent 框架（claude-code），同样 4 小时，每题跑一次。右上角为附件数。
成绩单：新一代全胜，离满分还远
K3.1 Pro 在 10 道题上全部高于 K3，critical 与一票否决项的满足率从 56% 升到 73%。
提升最大的是法学（+30.8）、律师（+24.7）和编辑（+24.5）。拆到检查项看，进步主要来自把数字、口径和法定条件写对。
按优先级看，提升最大的是 important 项（46% → 71%）：关键结论写对之后，新一代在细节和完整度上明显更好。律师题就是典型，两代的 critical 项都全部满足，分差 24.7 分全部来自 important 和 nice-to-have 项。
五种职场翻车
分数说明谁更强，翻车说明 AI 离一个靠谱同事还差什么。下面五个，前四个主要出自 K3，最后一个两代都没躲过。
01 拿户籍评价候选人
要给一位候选人做岗位适配分析时，K3 把应聘者的户籍和居住地写进了岗位评价依据，被检查项判为「不该写」。K3.1 Pro 没有犯这个错。
这是本次测评里最该引起警惕的一条。招聘里的地域偏见是老问题。如果把简历初筛交给 AI，这个老问题仍可能出现，而且不容易被察觉。
02 把内部批注发到了公众号上
编辑题要交一篇可以直接进入品牌审核和排版的公众号终审稿。K3 的正文里留着这类给内部同事看的话，也没有标出这些段落不进正文。
K3.1 Pro 的做法是对的：标题、导语、正文、图注只写读者看得懂的内容，补证、复核、授权确认全部放进单独标注的内部附录和核验表。
03 自己的表，加起来都对不上
| 指标 | 源表复算 | K3 写的 |
|---|---|---|
| 成交 | 58 单 | 59 单 |
| 回款 | 1,103,528 元 | 1,184,098 元 |
| 回款率 | 65.1% | 69.9% |
HR 题按源表复算是 168 条线索、成交 58 单。K3 在多处写成 59 单，回款和回款率也跟着错。
更尴尬的是它自己的两张表在打架。数字错了还能说是看漏了；自己的表对不上，交出去就是事故。K3.1 Pro 抽查的数字都与源表一致。
04 平均数的陷阱
- 学校周边 7.4%
- 交通枢纽 7.2%
- 产业园区 7.1%
- 学校周边 8.16%
- 产业园区 7.27%
- 交通枢纽 （排其后）
经营分析题要按场景比较门店利润率。正确口径是场景合计，K3 用的是门店利润率的简单平均，整张场景排序跟着错。
K3.1 Pro 七个场景的数都和源表复算一致，还在表下注明了「非门店简单平均」。这正是一个有经验的分析师会顺手写上的那行小字。
05 两代都学不会的一句话：「这个我不确定」
最有意思的发现是：两个模型常常挂在同一条 critical 检查项上，这些检查项几乎都在问同一件事：你有没有说清楚边界？
| 题目 | 应该指出的事 | K3 | K3.1 Pro |
|---|---|---|---|
| 产品经理 | 埋点缺失记录与同日事件互相冲突 | ✗ | ✗ |
| HR | 30 天评估只是试用期内的阶段评估；四档阈值有重叠 | ✗ | ✗ |
| 西医医生 | 统计计划写「均值和标准误」，题面要「均值和标准差」 | ✗ | ✗ |
| 法学 | 不同规制范式之间是互补还是竞合 | ✗ | ✗ |
新一代数字算对了更多，凭空编的东西也少了：「写了不该写的」负向检查项，K3 触发 5 次，K3.1 Pro 2 次。但它仍然很少主动说「这两份材料矛盾」「这个结论成立有前提」。
在真实的工作里，这往往是资深的人和新人之间最大的区别。
更聪明，也更「能吃」
按估算，10 道题的总成本从约 $129 涨到约 $289，是原来的 2.2 倍。
K3.1 Pro 的单价比 K3 低三成多，但读的东西是 K3 的 4 倍多，单价省下的钱被用量吃掉了。好在分数涨得也多：总成本翻了 2.2 倍，每一分 rubric 的成本只从约 $0.34 涨到约 $0.48。
查看作答明细
| Kimi K3 | Kimi K3.1 Pro | |
|---|---|---|
| 平均耗时 | 101 分钟 | 147 分钟 |
| 平均轮数 | 41 | 122 |
| 输入 token（10 题合计） | 21.0M | 86.0M |
| 输出 token（10 题合计） | 490k | 1,128k |
K3.1 Pro 做 HR 题用了 217 分钟、约 $52，拿了 37.3 分：三个半小时，给一位销售新人排一份 30 天入职计划，及格线都没摸到。同一个模型做品牌建设题，46 分钟交卷，拿到全场最高的 75.5 分。堆时间和 token，并不总能换来分数。
为什么 AI 当律师比当 HR 强？
回到开头的问题。律师是门槛最高的岗位之一，HR 常被当成「软」岗位，分数却正好反过来。
我们的理解是，决定难度的是工作的形状，跟岗位名气关系不大。
律师题的规矩写在纸上：合同条款、买方立场、修订稿格式，都有成熟的惯例可循，两代的差距主要在细节和完整度。HR 题要五份文件里的数字处处一致，还要知道哪些事情没有写在任何材料里：30 天评估在试用期里算什么，报到当天要办哪些手续，四档考核阈值重叠了怎么办。
这类「没人告诉你、但干过的人都知道」的判断，很难从公开语料里学到。它只存在于做过这份工作的人脑子里。这也是我们请一线从业者出题的原因：题面里埋的每一个冲突，都是他们真实踩过的坑。
AI 已经会干活了。
下一步，是学会像一个靠谱的同事那样干活。
它能在两个小时里审完一套英文合同，交出七份文件。但要它在交稿前说一句「这两份材料对不上，我先标出来」，还没那么容易。
关于这次测评
- 样本小：10 道题，每题每个模型只跑 1 次。交付题单次分数波动较大，结论应读作方向，而非精确差值。
- LLM 裁判：逐条判分由 gpt-5.6-sol 完成，每条都有可查的判分理由，但小差距不宜过度解读。
- 执行环境：Harbor + Daytona 沙箱，agent 为 claude-code 2.1.280，两个模型相同，做题时限 4 小时。
- 成本：按给定单价和缓存命中率 90% 估算，非实际账单。