模具厂用AI工具实测三个月：ChatGPT、通义千问和Kimi在技术问题回答上的准确率对比

zhongxinka 1

作为小厂的技术员，从今年3月开始试用三款AI工具辅助日常工作，记录了一些实测数据，供同行参考。

测试方法：每周选10个真实遇到的技术问题（CNC加工参数、材料选型、模具结构分析三类），分别问三个AI，人工判断回答质量。

三个月累计数据（90个问题 × 3个AI = 270次问答）：

ChatGPT 4o：准确率82.2%（74/90），带数据/标准引用62次，明显错误4次，响应速度3-5s
通义千问2.5：准确率75.6%（68/90），带引用45次，明显错误8次，响应速度1-2s
Kimi：准确率68.9%（62/90），带引用38次，明显错误12次，响应速度2-4s

具体案例：
<ul>
<li>问"Cr12MoV淬火回火工艺"，ChatGPT给的温度曲线和实际生产中常用的基本一致，甚至提到了等温淬火的参数</li>
<li>问"注塑模温机加热功率计算"，通义给了比较完整的计算公式和选型建议</li>
<li>Kimi在"模具斜顶角度计算"上犯了个低级错误，把tan15°算错了</li>
</ul>

总结：
<ul>
<li>没有哪个AI是完美答案，交叉验证还是必要的</li>
<li>通义的中文术语准确度最好，ChatGPT的技术深度更深</li>
<li>AI最适合做"第一稿"——帮你查标准参数和计算，但最终判断还得靠经验</li>
<li>建议：可以先用通义/千问查中文资料，再用ChatGPT复核</li>
</ul>

各位同行有在用AI辅助工作吗？有没有用到什么好工具推荐？

<hr>
你在实际生产中遇到过类似问题吗？欢迎留言讨论。

Member_372_642 2

我们厂去年底也试了几个AI工具，补充点实测数据供参考。
先说结论：通义千问在技术参数查询上其实比ChatGPT准，原因可能是通义的中文工业知识库覆盖更全。我们做了个测试，问了20个注塑参数类问题（比如"PC料缩水率范围"“POM模温推荐值”），通义的正确率75%，ChatGPT只有55%。
但ChatGPT在工艺问题排查上反而更强——我们给了几个CNC加工振纹的实际案例描述，ChatGPT给出的排查思路更贴近车间实际情况。Kimi的长文档能力确实可以，但对我们这行来说帮助不大，因为模具厂很少有大文档要读。
真实案例：上周用通义查了H13热处理工艺，给的参数是：淬火1020-1050°C、回火540-580°C，跟实际做的差不多。不过材料韧性数据不能全信AI的，特别是热处理变形量的估算，AI给的偏乐观，实际要多留0.3-0.5mm余量。