12 款大模型“上岗”做销售，企业选型不再只看模型排名

10 月 13 日，网易智企发布《2026 销售场景 AI 实战评测报告》。作为国内首份聚焦企业真实销售场景、以任务交付为验收标准的大模型深度评测，报告围绕 7 项真实销售任务，对 12 款国产大模型展开实测，共形成 420 份实际任务成果。

本次评测覆盖 DeepSeek、MiniMax、豆包、千问、Kimi、GLM 六个品牌，设置线索评估、拜访准备、沟通纪要、商机判断、异议处理、客户跟进、方案与报价 7 项高频销售任务。

结果显示，Qwen3.8-Flash 与 DeepSeek-V4.1-Flash 包揽全部 7 项任务第一。其中，Qwen3.8-Flash 在拜访准备、沟通纪要、异议处理、方案与报价 4 项任务中排名第一；DeepSeek-V4.1-Flash 在线索评估、商机评估、客户跟进 3 项任务中领先。

不同模型在不同销售任务中的优势并不一致。相比寻找一款“整体最强”的模型，这组结果指向了一个更实际的企业选型问题：什么任务，更适合由什么模型来完成？

不同任务，对模型能力的要求并不相同

当前大模型评测多集中于知识问答、逻辑推理、数学、代码等通用能力，但企业真正使用模型时，面对的往往是带有业务材料、规则和明确交付要求的具体工作。

以销售为例，线索评估更强调信息理解和判断，沟通纪要要求准确识别事实边界，异议处理更依赖上下文理解和响应效率，方案与报价则需要综合产品信息、业务要求和交付规范。

基于这一差异，本次评测从真实销售工作中提炼出 7 项高频任务，每项设置 5 个测试样例。12 款模型在同一测试样例下获得相同的业务材料、任务要求、业务规则和交付规范，并统一在网易智企企业级 AI Agent 平台帝王蟹（ClawHive）提供的 Agent 运行环境中完成任务。

报告以“销售场景 AI 胜任力”评价模型在真实任务中的表现，同时独立记录执行时间与 Token 成本。

从结果来看，即使是本轮表现领先的模型，也没有一款在所有任务中占据优势。Qwen3.8-Flash 拿下 4 项任务第一，DeepSeek-V4.1-Flash 则在另外 3 项中领先。

这意味着，企业很难仅凭一张综合榜单判断模型的实际适配性。相比回答“哪款模型整体最强”，更值得关注的是：不同类型的工作，分别更适合什么模型。

高分不一定最适合，效果、速度和成本需要一起看

除了不同模型表现出明显的任务差异外，本次评测还发现，任务表现、执行时间和 Token 成本之间并不存在简单对应关系。

在商机评估任务中，DeepSeek-V4.1-Flash 的 AI 胜任力得分比 Qwen3.8-Flash 高 1.25 分，但后者平均 Token 成本低约 57.1%。

在异议处理任务中，Qwen3.8-Flash 得分比 DeepSeek-V4.1-Flash 高 5 分，但 DeepSeek-V4.1-Flash 的平均执行时间比前者短约 71.5%。

对于企业而言，仅比较任务得分并不足以完成模型选择。

准确性要求较高的任务，可能更关注结果质量；需要即时响应的工作，更关注执行速度；在高频、大规模调用场景中，成本又可能成为关键变量。

因此，企业模型选型需要结合具体任务需求，在准确性、响应速度和使用成本之间找到平衡。

换句话说，企业真正需要回答的，不再只是“哪款模型最好”，而是：这项任务更看重什么，又更适合由哪款模型完成。

“会写”不等于“会做”，真实业务更考验事实边界

一些看似基础的销售工作，同样能够明显拉开模型之间的差距。

在沟通纪要任务中，Qwen3.8-Flash 获得 89.58 分，Qwen3.8-Max 获得 82.75 分，两者相差 6.83 分，是本次 7 项任务中第一、第二名分差最大的场景。

差距并不主要来自文字是否流畅、结构是否完整，而在于模型能否准确理解业务含义，并识别事实边界。

例如，“内部已立项”并不意味着预算已经审批，“七月底要定下来”也不能直接推断为确定签约时间；销售侧提出的解决方案，同样不能直接写成客户已经确认的需求。

如果这类判断出现偏差，错误信息一旦进入 CRM，还可能继续影响后续商机判断、客户跟进甚至方案报价。

这意味着，当大模型真正进入企业岗位后，“能不能写出来”只是基础，更重要的是信息是否准确、规则是否遵守，以及成果能否继续被后续工作使用。

从通用能力比较到具体任务适配，企业模型选型正在进一步走向“任务级判断”。

作为网易旗下一站式企业 AI 应用服务提供商，网易智企表示，「企业 AI 实战评测」后续还将继续进入客服、运营等更多企业岗位，以及金融、制造等行业场景，持续观察不同模型在具体业务任务中的实际表现，为企业模型选型和能力配置提供更贴近真实工作的参考。