儘管生圖模型會最大層度的影響產生的簡報，但文字模型整理的大綱也是不可忽視的一部分。另外，我自己實測發現，在素材資源多，context接近150k的情況，小模型的整理和歸納能力會顯著下降，這對於從大量文件找出關鍵內容並產生大綱是十分致命的，所以今天我想比較一下不同文字模型的表現。

測試方法我下載OpenAI GPT系列白皮書，這些文件幾乎超過35頁，內容繁多，對於模型從長文件理解、整理出重點是一個考驗。

GPT-5.6-Sol (文字)

首先GPT-5.6-Sol整理的大綱內容相當豐富，可以整理出數據表格重點，細節處理的好

GPT-5.6-Luna (文字)

GPT-5.6-Luna的表現稍差，整體的資訊量較少，數據稀疏。所以對長資料，還是需要大模型整理較為完整

Gemini 3.6 Flash (文字)

Gemini 3.6 Flash這邊也是，資訊內容比較空泛，並且因為大綱的內容較少，導致排版也比較空泛

除了資訊密度以外，也可以觀察到大綱的風格，對於簡報也有重要影響: GPT系列模型喜歡在結尾放上簡短總結，這也是之前說過GPT有的特殊風格由來；Gemini系列的資訊量較少，可能也是導致NotebookLM生成簡報空泛的原因。

總結來說，這邊整理了大模型、小模型在長文本下的表現，原本以為整理大綱的簡單任務可以交給小模型作，但實測後發現大模型的多文件、長上下文專注度都會比較好、且對指令的遵循度較好。所以對於複雜的簡報，建議不要為了節省成本而犧牲大綱品質。