——评北京第二外国语学院数字文旅研究中心《AI文旅讲解类应用测评报告（第一期）》

2026年9月，北京第二外国语学院数字文旅研究中心发布《AI文旅讲解类应用测评报告（第一期）》，对12款主流AI语音讲解产品展开系统性第三方测评。结论颇为震撼：12款产品的综合总分均未达到60分及格线，最高分豆包56.48分、讯飞星火53.28分，馆方智能体中河南博物院以46.66分居首，整体处于“可用但不成熟”的阶段。这份报告的价值不仅在于给出了排名，更在于它第一次以“可量化、可复现”的方式，把AI文旅讲解这个新兴赛道的真实水平摆上了台面。本文将从测评的科学性、行业客观技术水平，以及“谁更有前途”三个维度展开分析。

一、这份测评科学、客观、公正吗？——方法论层面的审视

要回答这个问题，必须先拆解报告的测评方法，因为它既有相当值得肯定的科学性，也存在不容回避的局限。

从科学性看，报告的方法路径在同类第三方测评中属于较高水准。

一、指标体系经过严谨的“专家共识—候选指标提炼—德尔菲咨询—修订”流程，最终形成“系统输入—系统输出—讲解内容—讲解语音”4个一级维度、17项二级指标，覆盖了从需求输入到语音呈现的完整服务链。

二、效度与信度检验规范：专家权威系数Cr=0.8091，高于0.70的常用阈值；内容效度S-CVI/Ave=0.914；权重构造的判断矩阵一致性比率CR<0.1。

三、测评执行采用全自动化链路——语音注入、音频采集、机器裁判打分端到端可复现，并针对客观题用正则强一致校验、针对简答题构建“语音准确性+专属RAG事实核查+大模型主观评判”三通道复合打分，客观上降低了人工主观干扰。

四、报告设置了“内容准确性、意图理解、逻辑性、合规性、读音”等强制性指标并采用0/1“一票否决”，把“幻觉”和“答非所问”作为硬红线，这一设计直接抓住了文博讲解“事实即生命”的行业本质。

但若以严格科学标准审视，笔者认为报告存在以下几方面局限。

第一，权重的“阶段性”属性。报告自述权重是基于专家评分的“阶段性权重估计”，因问卷采用李克特量表而非层次分析法所要求的成对比较，故非标准AHP。这意味着权重反映的是专家主观倾向，而非可证伪的经验规律。

第二，样本结构与场景口径不完全统一。三类产品样本量悬殊——通用大模型8款、平台型AI助手仅2款、馆方智能体4款，且通用大模型与平台型统一在中国国家博物馆场景测试，而馆方智能体在各自场馆常设展区测试，测试场景、展品对象不同，横向可比性因此打折扣。

第三，“以AI评AI”的共模偏差风险。主观维度（内容丰富性、生动性、语音表现力等）由高性能大语言模型担任“AI裁判”，存在裁判模型自身的偏好与误差被系统化放大、且与受测通用大模型同源的可能，难以完全消除系统性偏置。

第四，强制一票否决可能低估表达能力。简答题与讲解题0分率高达71.8%，其中“内容准确性”失分占54.2%。这种设计能犀利暴露幻觉问题，但也会让一篇“表达生动但含一处事实瑕疵”的回答直接归零，对丰富性、生动性等加分项的区分度造成挤压。

第五，测试的时点性与场景单一性。测评聚焦文博场景与某一单一时间点，未覆盖景区、户外、大型场馆等更复杂文旅场景；语音输入多由TTS合成，与真实游客的口音、语速、情绪化表达存在差异。报告自身也承认“结论应定位为阶段性合理性支持，而非最终效度定论”。

结论：这份测评在方法上方向正确、过程透明、可复现，是当前行业内难得一见的规范化第三方基准，其揭示的“整体不及格、幻觉是首要风险、三类产品呈幻觉—拒答光谱”等结论具备较强的方向性参考价值；但由于权重主观性、样本不均、场景口径差异、AI裁判共模偏差等限制，它应当被看作“行业健康度的体检报告”，而非对每一款产品绝对优劣的终审判决。

二、测评揭示了怎样的客观技术水平？

报告呈现的六项核心发现，勾勒出AI文旅讲解的客观技术现状——“能说、会说，但常常说错”。

其一，内容准确性是最大短板，幻觉构成行业首要风险。12款产品简答题与讲解题0分率71.8%，内容准确性失分占全部强制性指标失分的54.2%，且错误集中于年代、朝代、身份等硬史实，足以对公众构成误导。这是当前整个行业的“阿喀琉斯之踵”。

其二，“幻觉—拒答”光谱分化。通用大模型失分样本中91.9%属于“实质性答错”，即“自信地编造”；而馆方智能体90.1%的失分为“拒答或无有效回答”，平台型AI助手则介于两者之间（拒答73.5%、答错26.5%）。一句话概括：通用模型敢说但不可靠，馆方智能体可靠但不敢说。

其三，竞争焦点从“说得像人”转向“讲得专业、讲得生动”。三类产品语音表现力均分约7分、差距极小，说明“声音自然”已不再是门槛；真正的分野在内容组织能力——通用大模型内容丰富性6.14分、生动性4.16分，而馆方智能体仅2.71分、1.78分，几乎停留在“百科陈列”水平。

其四，多语言能力严重分化。通用大模型英文满分率80.0%、方言通过率98.3%，而馆方智能体分别只有10.0%和30.0%，差距悬殊，直接关涉入境游与国际游客服务能力。

其五，抗噪与多轮对话基本可用但存典型缺陷。抗噪整体成功率93.3%已属可用，但存在“低置信输入仍硬生成”（如高德将“后母戊鼎”误识为“盖尔特”）与历史对话异常介入等问题；多轮对话累计168次交互记录10次错误（约6%），集中于指代消解、话题延伸、纠错质疑与语境回溯。

其六，个性化讲解普遍缺位。12款产品平均仅4.31分，面对儿童、老人、外籍游客几乎都套用面向普通成年人的统一模板，尚未建立“声音特征感知—用户画像判断—讲解策略调整”的完整链路。

综合来看，现阶国内AI文旅讲解的客观水平可概括为：语音成熟、抗噪可用、多轮初通，但事实可靠性与个性化是两大硬伤，距离“可完全替代专业人工讲解”仍有显著距离，与报告引用的“基本能完全取代人工导游基础讲解”的乐观判断并不相符。三类产品在各能力维度上的表现差异如图1所示。

图1　三类AI文旅讲解产品多维能力对比

数据来源：北京第二外国语学院数字文旅研究中心《AI文旅讲解类应用测评报告（第一期）》。各维度按0—100归一化：多语言、抗噪为百分比；内容准确性/意图理解为“100−失分率”；内容丰富性/生动性/语音表现力按10分制×10。

三、谁更有发展优势：通用大模型、平台型AI助手，还是馆方智能体？

这是最富现实意义的问题。三种路线各握优势，也各怀短板，难以简单地论“谁胜出”，而应看“谁能解决最核心的矛盾”。

通用大模型：赢在“势能”，输在“可信”。从总分看，前两名（豆包56.48、讯飞星火53.28）均出自通用大模型，其多语言、多轮对话、内容丰富性全面领先，具备最强的模型能力和迭代速度。但其致命短板在于“缺乏依据时仍自信作答”——内容准确性失分率高达53.4%。只要幻觉不解决，通用大模型就永远无法成为文博场景的“可信交付物”，而文博恰恰是容错率最低的场景。

馆方智能体：赢在“权威”，输在“能力”。馆方智能体的内容准确性失分率仅36.2%（三类最低），抗噪成功率100%，且依托馆藏一手资料具备天然权威性与合规优势。但其意图理解失分率高达54.6%、英文满分率10.0%、方言通过率30.0%、内容丰富性2.71分、多轮对话47.5分，全面落后——权威的库，架在没有足够语义能力的底座上，导致“有料却倒不出来”。

平台型AI助手：赢在“场景”，输在“定位”。高德、三毛游依托位置感知与动线导览，是“实地随走随讲”的天然载体，抗噪、方言等中规中矩；但其英文满分率为0、内容准确性失分率60.0%，处于“既未充分抑制错误、又存在较高拒答”的尴尬中间地带，更像一个过渡形态。

三类产品在关键能力维度上的优势与短板可对照如下：

表1　三类AI文旅讲解产品优势与短板对比

客观判断：从“能否走得更远”看，通用大模型凭借模型能力与迭代速度具有最强的长期势能，但前提是必须解决幻觉；馆方智能体拥有最不可替代的“权威知识资产”，却受限于底座模型能力；平台型AI助手依赖场景与流量入口，但缺乏不可替代的技术壁垒。因此，未来的赢家不太可能是某一方的独占，而更可能是“通用大模型的生成能力×馆方的权威知识×平台的场景触达”三者的融合。报告中关于“馆方智能体应在扩充垂直知识库的同时引入更强基础模型”的建议，以及通用大模型接入权威检索与事实校验的路径，都指向这一方向。

四、如何让AI文旅讲解“叫好又叫座”？

要成为既专业可信（叫好）、又受市场欢迎（叫座）的产品，需要产品与产业两个层面的共同努力。

产品层面：围绕“事实可靠+体验生动”双轮驱动。其一，构建“理解问题—检索知识—生成答案—验证事实”的完整闭环，以专属知识库+RAG+答案溯源+事实校验机制，从机制上遏制幻觉；其二，在事实可靠前提下补足内容组织能力——讲故事、打比方、互动引导、场景化表达，实现“专业而不枯燥”；其三，打通多语言、方言、多轮与个性化链路，在用户授权下保留声学特征实现差异化适配；其四，强化噪声环境下的关键实体保护与对话状态管理。

产业层面：以第三方测评“以评促建”，建立行业基准。报告的启示在于，应推动更多此类规范化、可复现的第三方测评持续迭代，用统一标尺倒逼行业从“技术尝鲜”走向“规模应用”，也让C端用户、B端场馆与采购方拥有可参照的选择依据。当“内容准确性”被列为必须通过的红线，行业资源自然会向解决幻觉倾斜。

结语

60分是一道警戒线，更是一面镜子。它照出的不是“AI文旅讲解不行”，而是这个行业正处在“语音已熟、事实未立”的临界点。通用大模型、平台型AI助手、馆方智能体各有其位，唯有以“权威知识×强模型×真实场景”的融合逻辑补齐短板，把“自信地编造”与“不敢回答”这两个极端都纠正过来，AI文旅讲解才能真正跨越及格线，从“技术尝鲜”走向被市场真心买单的“规模应用”。