站长评测：Space Bunny 没有传说的那么强——它的问题不在能力，在思考方式

站长评测：Space Bunny 没有传说的那么强——它的问题不在能力，在思考方式

Space Bunny 最近很热。热到什么程度？腾讯的 WorkBuddy 已经把它作为内置模型上架了，而且是独家支持。一时间，各种"新王登基""国产之光"的说法铺天盖地。

热度归热度，实测归实测。我把 Space Bunny 拉过来跑了几轮真实任务，得到的结论和舆论场上的口径有明显出入。我不打算复述那些好评，我只说我在使用中实际看到的两件事——一件关于它的思考方式，一件关于它的成本。

一、它的思考链总在自我纠错，而且不是一两次

第一个问题，也是最能说明问题的一个：Space Bunny 的思考链有一个很奇怪的形态——它总会一步一步地回过头去检查自己刚才的思考。

这个动作本身听起来像是好事，像是一种严谨。但实际跑下来你会发现，它检查出来的结果往往是这样的：在推理推进到某一步时，它突然回头，发现自己前面那一步"犯了严重的错误"，然后推翻、重来。

关键在于，这不是一次两次的偶发，而是频发。同一类任务，反复出现"我前面搞错了"式的自我推翻。一个思考过程里如果总要经历几次这样的急刹车，那它呈现出来的就不是严谨，而是不稳定。

我没有在评测榜单上看到有人提这一点，但这恰恰是使用者每天都会撞上的东西。

二、由此我的推测：它的原生思考并不强，是后训练把智商拉了回来

为什么会出现这种"边走边回头纠错"的形态？我有一个推测，说出来供参考。

我认为它的原生思考能力并不是特别强，是后训练把它拉回到现在这个位置的。

一个思考底子扎实的模型，推理是一路向前的——它在前一步就把该考虑的因素考虑进去，不需要频繁地推翻自己。而一个底子一般、靠后训练补上来的模型，就容易出现这种形态：它的每一步单看都不错，但步与步之间的衔接是松的，于是它只能靠"回头检查"这个外部动作，去弥补内在逻辑的不足。纠错能力被训练得很强，恰恰反过来说明它需要纠错的地方很多。

换句话说，你看到的那个"发现错误、立刻纠正"的漂亮动作，可能不是它聪明的证据，而是它不稳的证据。

三、第二个问题，也是更严重的后果：思考和 token 都被拖长

第一个问题带来的是观感，第二个问题带来的是成本——而且后者严重得多。

因为要反复回头检查、反复推翻重来，Space Bunny 的思考过程会被拖得很长，消耗的 token 也随之变得很长。它的每一步推理都要额外附上一段自我审计，这些内容最终都要计入上下文、计入时间、计入成本。

这就引出了那个我在小米 MiMo V2.6 上已经讲过的判断：一个模型的价值，不能脱离它被使用的场景去评价。当时我说过，臃肿的思考在投资分析里是优点——那里要的恰恰是想得多、想得全；但一旦放进需要连续调用工具的 Agent 链路里，臃肿立刻变成负担，因为每一步多绕的圈，都会在整条链上被放大。

Space Bunny 的情况更微妙一些。小米那个是"想得多但不太犯错"，多花的时间换来的是更完整的结论，所以那个代价我认了，也说了能接受。而 Space Bunny 是"想得多、而且频繁发现自己错"——多花的 token 里，有相当一部分是花在给自己擦屁股上的。同样是长思考，一个是审慎，一个是返工，这两者的性质完全不同。

四、评测的正确姿势：放回整体应用里，反馈才是铁打的

说到这里，其实可以引出这篇评测真正想讲的一句话。

不管评测什么模型，一定要把它放在整体的应用角度上去分析、去考量，这样得出来的反馈才是铁打的反馈。

只看跑分、只看单轮问答、只看某个漂亮的能力演示，得到的都是纸面上的反馈——它可能全对，但对你没有用。因为真实的使用永远是一个完整的链条：从输入到工具调用、到多轮推进、到最终交付，中间的每一环都在消耗时间、消耗上下文、消耗你的耐心。一个模型在这条链上到底是加分还是拖累，只有放回整条链里才看得出来。

把这句话套回 Space Bunny：单看它的某一轮回答，它是合格的；但把它放进一个需要连续作业的真实流程，那条不断自我纠错的思考链、那份被拖长的 token 账单，就会从"看不见的细节"变成"看得见的成本"。

这就是我为什么不太在意那些"新王登基"的说法。模型的排名是榜单的事，模型能不能托付是应用的事，这两件事之间隔着一整条工作流。Space Bunny 不是不能用，它有它的位置；但要说它是"本年度最好的模型"，我建议先把这条链跑完再下结论。

本文为 TPEOL 站长的个人评测记录，仅代表站长本人的使用体验。