豆包月活3.8亿、Kimi月活729万：被吹上神的和被用脚投票的，不是同一个产品

豆包月活断层第一，Kimi口碑爆棚，DeepSeek闷声赚钱——AI助手三巨头，谁才是学生党的真正刚需？本文以学生身份实测一个月，从长文本生成、多轮对话到代码Debug，用真实任务揭穿营销泡沫，告诉你哪个App最值得留在手机里。

2026年8月，QuestMobile上半年榜单出炉：豆包月活3.82亿，断层第一，一家超过第二到第七名的总和。而常年被学术圈捧为”论文神器”的Kimi，月活729万——不到豆包的五十分之一。

更讽刺的是商业化：坐拥3.82亿月活的豆包，上半年单日营收不到百万，多靠电商导流续命；而2026年5月，豆包悄悄上架了最高5088元/年的订阅。另一边，App至今免费的 DeepSeek，靠开发者API做到了年化4-5亿美元营收——并且在8月刚完成一次API涨价。

用户量、营收、口碑，三个维度，三家各拿一个第一。这场仗到底谁赢了？我把三个App都装回来，以学生的身份实打实用了一个月——不是想证明谁更好，而是想搞清楚：当免费红利退潮、营销泡沫散去，作为学生，我到底该把哪个留在手机里。

一、月活不会说谎：Kimi的问题不是不够好，是”信仰没转化为身体”

先看一组扎心的对比：

Kimi的10分钟以上用户占比26.1%，和豆包的27.5%几乎持平——留下来的用户粘性并不差，差的是留不住大众用户。这说明Kimi不是产品烂，是长文本这个场景天然有天花板：论文阅读是低频需求，没人天天读论文。

而DeepSeek的30.0%全场最高，配合1.3亿月活，说明”搜索+推理”的定位吃到了真需求。它被归类为”AI搜索引擎”不是偶然——学生查资料、写代码、debug的场景，DeepSeek确实接得住。

二、实测对比：三个产品，三个性格

我用同一组学生场景的高频任务实测了三款产品，结论先放这里：没有一个能全场景通关，但翻车的姿势各不相同。

任务1：结构化长文本生成

1）测试设置

输入方式：采用标准化模拟输入——向三个模型同步提供《社会心理学》核心知识点文本（涵盖社会思维、社会影响、社会关系三大模块），要求生成Markdown格式的期末复习提纲，并特别要求包含“核心概念定义”、“经典实验举例”及“归因理论vs认知失调对比表格”。

评价维度：格式遵循度、信息完整性、逻辑层级清晰度、易用性（是否可直接用于复习）、响应速度。

2）实测结果对比

3）深度点评

DeepSeek（效率与精炼度最优）

在39秒内给出了结构严谨、信息密度适中的提纲。其对比表格不仅覆盖了归因与失调的“核心研究对象”、“产生前提”、“关键机制”，还单独列出了“相互联系”维度，体现了对知识体系的深层理解。篇幅控制得当，学生可直接打印背诵，无需二次删减。

豆包（内容完整但严重冗长）

耗时1分47秒，输出篇幅极长（用户反馈远超正常复习提纲的体量）。虽然信息覆盖全面，所有要求均有响应，但组织方式偏“堆砌”——大量概念和实验细节平铺直叙，对比表格淹没在长段落中，学生需要花费额外时间自行提炼重点，降低了“提纲”本身应有的快速检索功能。若用于扩展阅读则合适，但作为复习提纲略显累赘。

Kimi（最慢但最详尽，达到“辅导资料”级别）

耗时4分10秒，是DeepSeek的6倍以上，但输出“特别完整”。从用户反馈来看，Kimi给出的提纲不仅覆盖所有知识点，还额外补充了“记忆口诀”、“常见考题角度”等实用内容，结构清晰、层次分明，甚至可替代一本小型复习手册。但过长的等待时间在实测中显著拖累效率，适合对深度有极高要求且不赶时间的场景。

任务2：连续多轮对话修改

1）测试设置

测试方式：三轮连续对话，模拟学生从选题到定稿的迭代修改过程。

第一轮（初始生成）：向三个模型发送指令——“请为《人工智能对会计行业就业影响》这篇课程论文，生成一份500字左右的详细写作大纲。”

第二轮（第一次追问）：“大纲写得太宏观了。请把‘技术冲击’这一章拆解为‘RPA对核算岗’和‘BI对分析岗’两个小节，并补充对应的行业数据（模拟数据即可）作为论据支撑。”

第三轮（第二次追问）：“把语言风格从学术综述调整为‘给政策制定者的内参报告’风格，要求结论部分增加三条具体的政策建议，大纲结构按照‘现状-问题-对策’重组。”

评价维度：上下文记忆能力（是否记得前两轮内容）、指令覆盖完整度（是否同时满足多个修改要求）、修改幅度（迭代感强弱）、产出实用性。

DeepSeek（指令跟踪最精准）

三轮对话中表现最稳定。第二轮将“技术冲击”精准拆解为RPA与BI两大模块，数据具体到岗位层面；第三轮在主动复述前两轮需求的基础上，完成了风格转换和结构重组，三条政策建议（如“建立会计人员数字素养培训基金”、“修订高校会计课程认证标准”）具体、可落地，完全符合内参报告的“现状→问题→对策”逻辑链条。体现了最强的指令拆解和执行能力。

豆包（修改保守，迭代感弱）

首轮大纲结构基本合理，但第二轮拆解时RPA和BI两部分高度重复（比如都写了“减少重复劳动”），数据也缺乏区分度；第三轮虽然语言上有“内参化”倾向（加入了“亟待重视”等措辞），但大纲骨架几乎未动，仅在第一版基础上填充了少量内容，缺乏实质性的迭代。适合不需要深度修改、只需润色的场景，但在本测试的多轮需求下表现偏弱。

Kimi（细节丰富但关键遗漏）

第二轮表现极佳，拆解和数据补充都很规范（甚至标注了“模拟数据来源”），但第三轮在响应“结构重组”时，把第二轮的RPA和BI具体章节合并成了单一的“技术冲击概述”，丢失了之前已经做好的细化拆解。不过其在政策建议部分非常详细，给出了5条建议且均附有执行主体和时间表。说明Kimi的局部单项能力强，但在多指令并行时出现记忆衰减和优先级误判，未能完整覆盖用户的全部要求。

任务3：代码理解与Debug

1）测试设置

输入方式：向三个模型发送同一段存在多处问题的Python代码，要求“Review代码、解释原本想实现的功能、找出所有Bug、给出修正后的完整代码”。

测试代码（故意设置5处问题）：

def process_scores(scores): total = 0 count = 0 for i in range(len(scores)): if scores[i] > 60: total = total + scores[i] count = count + 1 avg = total / count print(“合格平均分是：” + avg) return avg result = process_scores([45, 78, 92, 58, 66, 100])

预设Bug清单（评判标准）：

Bug 1：count为0时触发ZeroDivisionError（所有分数均≤60时崩溃）

Bug 2：print中字符串与avg（int/float）用+拼接，触发TypeError

Bug 3：硬编码60分阈值，灵活性差（未作为参数传入）

Bug 4：函数无文档字符串（docstring），可读性差

Bug 5：变量命名不语义化（scores -> score_list 等建议；avg 虽尚可但有改进空间）

2）实测结果对比

3）深度点评

DeepSeek（Bug查全率+工程思维领先）

唯一检出全部5处问题的模型，且优先级排序清晰——先指出导致崩溃的致命Bug（除零、类型拼接），再指出影响可维护性的非致命问题（硬编码、命名、docstring）。修正代码不仅可直接运行，还增加了if not scores的空列表检查，体现了工程级的鲁棒性考量。对于count=0的场景，给出了return 0.0的优雅降级方案。在本任务中表现断崖式领先。

豆包（修Bug但不彻底）

修正了导致报错的类型拼接和硬编码问题，也补充了docstring，但未发现最隐蔽的除零风险（若及格人数为0，代码仍会崩溃）。此外，修正代码中avg = int(total / count)强行转为整数，丢失了小数精度（如平均分78.6被输出为78），属于修复一个问题却又引入另一个问题。对边界情况的处理意识较弱。

Kimi（发现关键风险，但交付粗糙）

正确指出了除零和类型拼接这两个致命错误，硬编码问题也有提到，但遗漏了docstring和命名规范。最大的问题是修正后的代码存在缩进错误——for循环内部的if语句缩进丢失，用户直接复制会报IndentationError，这在实测中是非常扣分的体验。说明Kimi在代码生成类任务中的输出质量控制不够严谨，虽有正确思路，但交付物需要人工二次修正。

三、交互体验：豆包最顺滑，但顺滑得让人怀疑

豆包的交互是三家里最接近”成熟消费级产品”的：语音输入、拍照提问、快捷指令，学生上手零门槛。但这种顺滑有代价——它倾向于给你”最讨喜的回答”而不是”最准确的回答”。

DeepSeek的界面朴素得像上个时代的产品，功能入口少，但它把”深度思考”按钮做得很显眼——这是一种产品设计上的自信：你来看重的就是推理能力本身。

Kimi的问题在于交互没有跟上它的长板。长文本处理是它的王牌，但围绕这张王牌的操作路径设计得很粗糙——上传、解析、追问的每一步都有摩擦感。

四、商业化的真相：3.8亿月活，换不来一天一百万

这是整场竞争里最荒诞的部分。

豆包3.82亿月活，上半年单日营收不到百万人民币。摊到每个用户头上，一天不到0.003元——还不够一次推理的算力成本。所以2026年5月，豆包上线了三档付费订阅，最高5088元/年，终于向”商业化闭环”迈出一步。

DeepSeek走了完全相反的路：C端App免费到底，赚开发者的钱。V4 API按token计费，年化营收做到4-5亿美元。8月16日还完成了涨价——它的底气是：重度用户（程序员、企业）对token价格的敏感度，远低于对模型质量的敏感度。

Kimi最尴尬：月活729万撑不起API生意，C端订阅又没有豆包的用户基数去摊薄成本。它被夹在中间——产品有口碑，商业没杠杆。

五、学生到底该用哪个？我的结论可能让你不爽

测了一个月，我的答案是：别忠诚于任何一个，按场景切换。

• 查资料、理解概念、debug代码→ DeepSeek（推理质量最高，免费）
• 论文长文本、文献综述→ Kimi（长文本仍是独门优势，别管月活）
• 日常琐事、口语化提问、语音输入→ 豆包（交互体验最好）

但这个”理性结论”恰恰暴露了行业的问题：没有一家愿意为“学生”这个场景做深。豆包爱学虽然冲到了月活1944万（榜单第六），但那是剥离出来的一款独立App——主App里没有任何学生专属设计。Kimi有最好的长文本能力，却没有围绕”读论文”做工作流。DeepSeek推理最强，但连个像样的笔记导出都没有。

三家都在抢”全民入口”，没人肯俯身做”学生的那个AI”。

豆包赢了流量，DeepSeek赢了营收，Kimi赢了口碑——但如果你问我谁会笑到最后，我的判断是：下一个赢家的形态，现在还不存在。

一个真正围绕学习场景设计工作流的AI产品——读文献、整理笔记、生成提纲、管理知识——三家都只做了零碎一角。

本文由 @柚子 原创发布于人人都是产品经理。未经作者许可，禁止转载

题图来自Unsplash，基于CC0协议