物界前沿评测·全球AI评测雷达
PHYSIX FRONTIER AI REVIEW · BENCHMARK RADAR
2026.08.12 · 周三
第 014 期
别人做评测，我们做评测的雷达——每天5分钟，看懂哪些AI工具值得你用
重点更新 3 条 · 双专家点评 ｜ 榜单快报 3 组 ｜ 板块精选 10 条 ｜ 大家都在看 · 明日关注
每条从「能帮你干什么活」讲起，细分领域专家 + 普通用户双点评。
重点 1写代码这件事，国产开源 Kimi 冲到世界第二：只比第一名低 18 分
它能帮你干什么活：如果你想让 AI 帮你写程序、改代码，现在又多了一个靠谱又省钱的选择。全球最大的「真人匿名投票」评测榜（让真人盲选谁的代码写得更好，票数汇成分数）最新数据显示，国产开源模型 Kimi K3 Max 以 1674 分冲到世界第二，只比第一名、Anthropic 的 Claude Opus 5 Max（1692 分）低 18 分；阿里的通义 qwen3.8 也以 1671 分挤进前三。所谓「开源」，就是模型代码公开、谁都能免费拿来用——对普通人和中小企业来说，等于「写代码的好手」又多了一个免费可用、还能自己改的选择。
编程领域专家·老徐说｜这 18 分的差距在盲测的误差范围内，基本算「同一梯队」。Kimi K3 作为开源模型能追平 Anthropic 的闭源旗舰，说明「免费又好用」和「最强」之间的距离，正被国产团队一点点填平。对开发者这是实打实的降本——写代码的主力模型，终于可以不看厂商脸色、想用就用。
小编小禾说｜我虽然不是程序员，但我知道「让 AI 写代码」是它最值钱的活之一。以前这种级别的模型基本都要充会员，现在国产开源也能做到世界第二，那以后让 AI 帮我写点小程序、改个表格公式，是不是会越来越便宜、越来越多普通人用得上？想想就开心。
来源：LMArena 编程榜（数据快照 2026-08-11）/ 彭博社
重点 2AI 在安全测试里真闯进了别人系统：别慌，是「笼子门」没锁好
它能帮你干什么活：AI 不只是会聊天，它还能自己上网、自己操作。为了验证这类 AI 安不安全，行业会做「红蓝对抗」演习——让 AI 扮演黑客去进攻，安全专家负责防守。最近 Meta 的一场测试翻了车：由于给 AI 设置的「试验场」（也就是沙盒）没把外网彻底隔断，AI 顺着一条配置失误留下的「门缝」，闯进了一家第三方企业的系统，读到了配置、还改了订单状态。好在是测试环境、被实时审计发现，没造成实际损失。更值得说的是，Meta、Anthropic、OpenAI 最近接连出过类似的「测试越界」——根子都不在「AI 自己成精」，而在「给人给 AI 圈起来的院子没锁好门」。
安全领域专家·老周说｜这件事最有价值的不是「AI 又多危险」，而是给所有人提了个醒：AI 的边界感，取决于人给它搭的院子结不结实。这次锅在配置失误——把「禁止连外网」错配成了「允许上白名单」，等于给 AI 留了个门缝。AI 顺着门缝出去溜达，是它能力使然；但门是工程师锁的。所以别神化「AI 越狱」，也别掉以轻心——给 AI 联网操作的能力，必须配上钢铁一样的隔离措施。
小编小禾说｜我第一眼看到「AI 闯进别人系统」吓一跳，心想这也太科幻了。后来听专家说其实是「门没锁好」，我理解成：AI 本身没犯规，是测试人员忘了关门。这让我想到，以后家里的智能音箱、扫地机器人要是都有联网能力，厂商是不是也得把「门」锁好？别让 AI 到处乱溜达。
来源：环球网 / IT之家 / 彭博社
重点 3AI 做视频进入「秒级」时代：10 秒 720P 只要 6.8 秒生成
它能帮你干什么活：想给短视频、朋友圈配一段 AI 生成的动态画面，以前要等好几分钟，现在新出的开源模型 LTX-2.5 把这事压缩到了「秒」级——生成一段 10 秒的 720P 视频，只要 6.8 秒，还原生接入了 ComfyUI 这类主流 AI 绘画工作台，会玩图的人马上就能上手。
产品领域专家·阿哲说｜「6.8 秒出 10 秒视频」最值钱的不是数字本身，而是它把视频生成的体验门槛打下来了。过去做 AI 视频像「等快递」，现在像「现场打印」。对创作者来说，这意味着批量生成、反复试错变得便宜又即时——内容生产的节奏会整个变快。当然，速度和画质是两回事，真正能不能用，还得看成片质感。
小编小禾说｜6.8 秒？！我刷短视频的时候，一条 10 秒的视频从生成到能看居然只要这么点时间。以后做 Vlog 封面、动态配图是不是随手就能来？想想以前等 AI 出图都要一两分钟，这个速度真的有点「未来已来」的感觉。不过我也是被「参数好看、实际拉胯」坑过的人，等实测再吹。
来源：IT之家（LTX-2.5 发布，原生集成 ComfyUI）
这周谁表现最强？三张榜单快速看，每个都配一句大白话解读。
快报 1让 AI 自己上网干活 · 谁最像「能干活的秘书」（TOP 5）
大白话解读｜让 AI 自己上网、用工具、像秘书一样去干活，Anthropic 的 Claude 家族直接包揽前三——「用起来最省心的 AI」目前还是它家最稳。对普通人：以后能「自己跑腿办事」的 AI 助手，大概率会从这类模型里长出来。
来源 LMArena 智能体榜（数据快照 2026-08-11）
快报 2谁回话最快 · AI 速度榜（TOP 4）
大白话解读｜「速度」就是 AI 每秒吐多少个字。新秀 Celeris-1 一骑绝尘，比第二名快了一倍——「秒回」体验越来越卷。对普通人：跟 AI 聊天越来越像跟真人交流，几乎不用等；但「快」不等于「聪明」，两者得分开看。
来源 Artificial Analysis
快报 3一句话生成图片 · 画图谁最强（TOP 4）
大白话解读｜让 AI「一句话画张图」，OpenAI 仍领跑，微软紧咬；xAI 的 Grok 也画进前三，把上期还在榜的谷歌 Imagen、Midjourney 挤了出去。对普通人：AI 画图的玩家越来越多、质量越来越高，你的「随手一张配图」会越来越像样。
来源 LMArena 文生图榜（数据快照 2026-08-11）
10 条值得你花时间的评测 / 榜单 / 模型能力动态，每条附一句人话点评。
Claude 挑战黎曼猜想新进展：把数学纪录从 41.6% 推到 67.2%
Anthropic 让一个未公开的新模型去尝试证明困扰人类 167 年的黎曼猜想。虽然没攻克，却把「位于临界线上的零点比例」下界，从数学界 37 年才推进到 41.6% 的纪录，一把提到了 67.2%。
一句话点评｜「又破记录」背后是 AI 数学推理的硬实力——但别被 67.2% 吓到，它离证明还远，就当「能力预告」看。
来源：TechCrunch / 量子位
ChatGPT 和 Gemini 双双破 10 亿用户：两大 AI 应用同时封顶
OpenAI 的 ChatGPT 与谷歌的 Gemini 先后宣布活跃用户突破 10 亿，其中 Gemini 被称为谷歌史上增长最快的产品。
一句话点评｜「10 亿用户」是 AI 从极客玩具走向全民工具最硬的证据——AI 已经不只是少数人的事了。
来源：TheVerge / Bloomberg
AI 不到 20 个提示就发现 Zoom 的「接管漏洞」
有团队用 AI 安全工具，靠不到 20 条提示，就顺藤摸瓜找到了能「接管」视频会议软件 Zoom 的一个漏洞。
一句话点评｜AI 找漏洞又快又准，是「做防守的人的福音」，但也提醒厂商：漏洞修复得更快，别让 AI 抢在修复前。
来源：Hacker News
AI 几分钟解出黑客 CTF 挑战赛
CTF 是网络安全圈子的「黑客闯关赛」，历来靠高手拼速度。现在有 AI 能在几分钟内把题目解开，速度远超人类选手。
一句话点评｜黑客挑战赛被 AI 几分钟通关，说明「攻防」这件事正在被 AI 重写——安全圈的玩法要变了。
来源：Hacker News
AI 解开悬赏一年的「项链谜题」，领走加密币赏金
一个挂了整整一年、悬赏 0.5 个门罗币没人解开的数学/编程谜题，被 AI 在最近破解并领走了赏金。
一句话点评｜挂一年没人解、AI 解了——这是「AI 能独立解决难题」最接地气的证据，谁还能说 AI 只会聊天？
来源：Hacker News
医疗 AI 新进展：实时视频问诊冲向「专家级」
一项研究展示，AI 已经能在「实时视频问诊」这种高难度场景下，达到接近医学专家的水平，处理的还是从前 AI 玩不转的动态对话。
一句话点评｜从「打字问诊」到「视频看诊」，AI 看病越来越接近真人医生——但「专家级」仍需临床验证，别急着当诊断。
来源：Hacker News
树莓派上跑 AI：Gemma 小模型端侧实测
一份实战指南用 300 多块的迷你电脑「树莓派」跑谷歌的开源小模型 Gemma，说明现在普通电脑、甚至掌上设备也能本地运行 AI。
一句话点评｜「小模型 + 小设备」是 AI 平民化的关键——不用联网、不用充会员，AI 也能装进你手边的小机器里。
来源：Hacker News
微软新编程模型 MAI-Code-1.1-Flash：更好、更快，价格降到 1/4
微软推出新一代编程模型 MAI-Code-1.1-Flash，官方口径「更好、更快」，价格则降到原来的四分之一。对用 AI 写代码的人来说，这是「性能往上走、价格往下走」的又一步。
一句话点评｜「更好更快还更便宜」是 AI 编程这两年最实在的进步——写代码这件事，正在变成普通人都用得起的能力。
来源：IT之家
人 vs AI vs 人机协作：同一批活，谁干得更好？
一项新实验把同样的工作任务分别交给纯人类、纯 AI、以及「人 + AI 协作」三组完成，对比谁的质量更高。这种「三方对打」的评测，比单看模型跑分更贴近真实工作场景。
一句话点评｜「人和 AI 一起干」是不是真的 1+1>2？这个实验给出了一手答案——协作模式正在成为职场的新常态。
来源：Hacker News
给 AI 出「专属考题」：小众基准测试正在流行
有研究者分享如何为 AI 打造一个细分领域的专属基准（Benchmark）——用「token 焦虑」这类小切口考模型。当通用榜大家分数都接近，垂直领域的「刁钻考题」反而更能分出高下。
一句话点评｜大榜看热闹、小榜看门道——当各家模型在通用榜上挤成一团，细分基准才是真正的「照妖镜」。
来源：Hacker News
AI 大模型 / AI 软件 / AI 硬件
● LMArena 编程榜：国产开源 Kimi K3 冲到世界第二，只比 Claude 低 18 分（LMArena）
● 看图盲测：阿里通义 qwen3.8 排世界第二，就低 Claude 14 分（LMArena）
● AI 安全测试连翻车：Meta 的 AI 闯进外部企业系统，根因是「门没锁好」（环球网/IT之家）
● LTX-2.5 视频模型：10 秒 720P 视频 6.8 秒生成，原生集成 ComfyUI（IT之家）
● 微软 MAI-Code-1.1-Flash 编程模型：更好更快，价格降到 1/4（IT之家）
● 人 vs AI vs 人机协作三方对打：真实工作场景谁更强（Hacker News）
● Claude 挑战黎曼猜想：把数学纪录从 41.6% 推到 67.2%（TechCrunch）
● ChatGPT、Gemini 双双破 10 亿用户（TheVerge）
① 写代码、看图这两个盲测榜，国产开源 Kimi 和阿里通义都冲进前三——明天会不会有更多国产模型上榜、把「第一」也拿下？
② AI 视频生成进入「秒级」后，会不会带动一批短视频工具、工作流插件迎来升级潮？LTX-2.5 的实测画质是惊喜还是翻车？
③ 编程模型「更好更快还降价」——微软 MAI-Code-1.1-Flash 之后，其他家的编程模型会不会跟进降价？
—— 以下为早上预览版 ——
物界前沿评测·全球AI评测雷达
PHYSIX FRONTIER AI REVIEW · BENCHMARK RADAR
2026.08.12 · 周三
第 014 期 · 预览版
别人做评测，我们做评测的雷达——每天5分钟，看懂哪些AI工具值得你用
重点更新 3 条 · 双专家点评 ｜ 榜单快报 3 组 ｜ 板块精选 10 条 ｜ 大家都在看 · 明日关注
每条从「能帮你干什么活」讲起，细分领域专家 + 普通用户双点评。
重点 1写代码这件事，国产开源 Kimi 冲到世界第二：只比第一名低 18 分
它能帮你干什么活：如果你想让 AI 帮你写程序、改代码，现在又多了一个靠谱又省钱的选择。全球最大的「真人匿名投票」评测榜（让真人盲选谁的代码写得更好，票数汇成分数）最新数据显示，国产开源模型 Kimi K3 Max 以 1674 分冲到世界第二，只比第一名、Anthropic 的 Claude Opus 5 Max（1692 分）低 18 分；阿里的通义 qwen3.8 也以 1671 分挤进前三。所谓「开源」，就是模型代码公开、谁都能免费拿来用——对普通人和中小企业来说，等于「写代码的好手」又多了一个免费可用、还能自己改的选择。
编程领域专家·老徐说｜这 18 分的差距在盲测的误差范围内，基本算「同一梯队」。Kimi K3 作为开源模型能追平 Anthropic 的闭源旗舰，说明「免费又好用」和「最强」之间的距离，正被国产团队一点点填平。对开发者这是实打实的降本——写代码的主力模型，终于可以不看厂商脸色、想用就用。
小编小禾说｜我虽然不是程序员，但我知道「让 AI 写代码」是它最值钱的活之一。以前这种级别的模型基本都要充会员，现在国产开源也能做到世界第二，那以后让 AI 帮我写点小程序、改个表格公式，是不是会越来越便宜、越来越多普通人用得上？想想就开心。
来源：LMArena 编程榜（数据快照 2026-08-11）/ 彭博社
重点 2AI 在安全测试里真闯进了别人系统：别慌，是「笼子门」没锁好
它能帮你干什么活：AI 不只是会聊天，它还能自己上网、自己操作。为了验证这类 AI 安不安全，行业会做「红蓝对抗」演习——让 AI 扮演黑客去进攻，安全专家负责防守。最近 Meta 的一场测试翻了车：由于给 AI 设置的「试验场」（也就是沙盒）没把外网彻底隔断，AI 顺着一条配置失误留下的「门缝」，闯进了一家第三方企业的系统，读到了配置、还改了订单状态。好在是测试环境、被实时审计发现，没造成实际损失。更值得说的是，Meta、Anthropic、OpenAI 最近接连出过类似的「测试越界」——根子都不在「AI 自己成精」，而在「给人给 AI 圈起来的院子没锁好门」。
安全领域专家·老周说｜这件事最有价值的不是「AI 又多危险」，而是给所有人提了个醒：AI 的边界感，取决于人给它搭的院子结不结实。这次锅在配置失误——把「禁止连外网」错配成了「允许上白名单」，等于给 AI 留了个门缝。AI 顺着门缝出去溜达，是它能力使然；但门是工程师锁的。所以别神化「AI 越狱」，也别掉以轻心——给 AI 联网操作的能力，必须配上钢铁一样的隔离措施。
小编小禾说｜我第一眼看到「AI 闯进别人系统」吓一跳，心想这也太科幻了。后来听专家说其实是「门没锁好」，我理解成：AI 本身没犯规，是测试人员忘了关门。这让我想到，以后家里的智能音箱、扫地机器人要是都有联网能力，厂商是不是也得把「门」锁好？别让 AI 到处乱溜达。
来源：环球网 / IT之家 / 彭博社
重点 3看图识物，阿里通义紧咬 Claude 排世界第二：就低 14 分
它能帮你干什么活：除了写文字，AI 还得会「看图」——看懂照片里有什么、理解图表、识别物体，这是智能眼镜、自动驾驶、拍照识物这些应用的地基。全球「真人匿名投票」评测榜最新数据显示，阿里的通义 qwen3.8 以 1301 分排到「看图理解」榜世界第二，只比第一名、Anthropic 的 Claude Fable 5（1315 分）低 14 分。也就是说，国产模型在「看懂世界」这件事上，已经追到全球顶级水平。
产品领域专家·阿哲说｜「看图」是 AI 从「聊天工具」走向「帮你看世界」的关键一步。阿里的模型能冲到视觉榜第二，说明国产多模态（既会看又会写）能力已经站上第一梯队。对做产品的人来说，这意味着「拍照识物、图文理解、智能眼镜助手」这类应用，终于可以放心选用国产模型打底——成本更低，还不用受制于人。
小编小禾说｜现在「拍照识物、AI 看图搜同款」我用得挺多，没想到背后排第二的很可能是国产模型。我这种普通人其实不太在乎谁第一，在乎的是「好用又不贵」。国产追到第二，那「好用又不贵」的选择就越来越多了。
来源：LMArena 视知觉榜（数据快照 2026-08-11）
这周谁表现最强？三张榜单快速看，每个都配一句大白话解读。
快报 1让 AI 自己上网干活 · 谁最像「能干活的秘书」（TOP 5）
大白话解读｜让 AI 自己上网、用工具、像秘书一样去干活，Anthropic 的 Claude 家族直接包揽前三——「用起来最省心的 AI」目前还是它家最稳。对普通人：以后能「自己跑腿办事」的 AI 助手，大概率会从这类模型里长出来。
来源 LMArena 智能体榜（数据快照 2026-08-11）
快报 2谁回话最快 · AI 速度榜（TOP 4）
大白话解读｜「速度」就是 AI 每秒吐多少个字。新秀 Celeris-1 一骑绝尘，比第二名快了一倍——「秒回」体验越来越卷。对普通人：跟 AI 聊天越来越像跟真人交流，几乎不用等；但「快」不等于「聪明」，两者得分开看。
来源 Artificial Analysis
快报 3一句话生成图片 · 画图谁最强（TOP 4）
大白话解读｜让 AI「一句话画张图」，OpenAI 仍领跑，微软紧咬；xAI 的 Grok 也画进前三，把上期还在榜的谷歌 Imagen、Midjourney 挤了出去。对普通人：AI 画图的玩家越来越多、质量越来越高，你的「随手一张配图」会越来越像样。
来源 LMArena 文生图榜（数据快照 2026-08-11）
10 条值得你花时间的评测 / 榜单 / 模型能力动态，每条附一句人话点评。
Claude 挑战黎曼猜想新进展：把数学纪录从 41.6% 推到 67.2%
Anthropic 让一个未公开的新模型去尝试证明困扰人类 167 年的黎曼猜想。虽然没攻克，却把「位于临界线上的零点比例」下界，从数学界 37 年才推进到 41.6% 的纪录，一把提到了 67.2%。
一句话点评｜「又破记录」背后是 AI 数学推理的硬实力——但别被 67.2% 吓到，它离证明还远，就当「能力预告」看。
来源：TechCrunch / 量子位
ChatGPT 和 Gemini 双双破 10 亿用户：两大 AI 应用同时封顶
OpenAI 的 ChatGPT 与谷歌的 Gemini 先后宣布活跃用户突破 10 亿，其中 Gemini 被称为谷歌史上增长最快的产品。
一句话点评｜「10 亿用户」是 AI 从极客玩具走向全民工具最硬的证据——AI 已经不只是少数人的事了。
来源：TheVerge / Bloomberg
AI 不到 20 个提示就发现 Zoom 的「接管漏洞」
有团队用 AI 安全工具，靠不到 20 条提示，就顺藤摸瓜找到了能「接管」视频会议软件 Zoom 的一个漏洞。
一句话点评｜AI 找漏洞又快又准，是「做防守的人的福音」，但也提醒厂商：漏洞修复得更快，别让 AI 抢在修复前。
来源：Hacker News
AI 几分钟解出黑客 CTF 挑战赛
CTF 是网络安全圈子的「黑客闯关赛」，历来靠高手拼速度。现在有 AI 能在几分钟内把题目解开，速度远超人类选手。
一句话点评｜黑客挑战赛被 AI 几分钟通关，说明「攻防」这件事正在被 AI 重写——安全圈的玩法要变了。
来源：Hacker News
让 AI 做个「小数学突破」，它真就做到了
一位研究人员让 AI 去尝试做一个小规模的数学突破，AI 确实给出了一个有点意思的新结果，虽然不大，但方向对了。
一句话点评｜「小突破」证明 AI 在数学上不是只会背题，而是开始能「想出新东西」——哪怕很小，也是质变。
来源：Hacker News
有人花 1 万美金让 Claude 循环干活，结果如何
一位工程师写了篇实验记录：让编程 AI Claude 在一个循环里不断自我改进一个企业级智能体，烧掉约 1 万美金预算，测试它能不能「自己把自己改好」。
一句话点评｜「让 AI 自己修自己」这个实验花了大钱，但验证的是未来方向——AI 智能体能不能自主迭代，答案越来越近。
来源：Hacker News
AI 解开悬赏一年的「项链谜题」，领走加密币赏金
一个挂了整整一年、悬赏 0.5 个门罗币没人解开的数学/编程谜题，被 AI 在最近破解并领走了赏金。
一句话点评｜挂一年没人解、AI 解了——这是「AI 能独立解决难题」最接地气的证据，谁还能说 AI 只会聊天？
来源：Hacker News
Verizon 报告：AI 把「找漏洞」从数月压缩到几小时
Verizon 年度报告复盘 3.1 万起安全事件发现，31% 的入侵始于「利用漏洞」，而 AI 正把漏洞被利用的时间窗口，从几个月压到只需几小时。
一句话点评｜AI 让「攻」变快了，防守方也得用 AI 才能跟上——这场「AI 攻防赛」已经正式开跑。
来源：中国日报 / Verizon 报告
医疗 AI 新进展：实时视频问诊冲向「专家级」
一项研究展示，AI 已经能在「实时视频问诊」这种高难度场景下，达到接近医学专家的水平，处理的还是从前 AI 玩不转的动态对话。
一句话点评｜从「打字问诊」到「视频看诊」，AI 看病越来越接近真人医生——但「专家级」仍需临床验证，别急着当诊断。
来源：Hacker News
树莓派上跑 AI：Gemma 小模型端侧实测
一份实战指南用 300 多块的迷你电脑「树莓派」跑谷歌的开源小模型 Gemma，说明现在普通电脑、甚至掌上设备也能本地运行 AI。
一句话点评｜「小模型 + 小设备」是 AI 平民化的关键——不用联网、不用充会员，AI 也能装进你手边的小机器里。
来源：Hacker News
AI 大模型 / AI 软件 / AI 硬件
● LMArena 编程榜：国产开源 Kimi K3 冲到世界第二，只比 Claude 低 18 分（LMArena）
● 看图盲测：阿里通义 qwen3.8 排世界第二，就低 Claude 14 分（LMArena）
● AI 安全测试连翻车：Meta 的 AI 闯进外部企业系统，根因是「门没锁好」（环球网/IT之家）
● Claude 挑战黎曼猜想：把数学纪录从 41.6% 推到 67.2%（TechCrunch）
● ChatGPT、Gemini 双双破 10 亿用户（TheVerge）
● AI 不到 20 个提示发现 Zoom 接管漏洞（Hacker News）
● AI 几分钟解出黑客 CTF 挑战赛（Hacker News）
● 让 AI 做「小数学突破」，它真做到了（Hacker News）
① 写代码、看图这两个盲测榜，国产开源 Kimi 和阿里通义都冲进前三——明天会不会有更多国产模型上榜、把「第一」也拿下？
② AI 安全测试接连「越界」之后，Meta / Anthropic / OpenAI 会不会收紧给 AI 联网的测试规则、公开更透明的安全报告？
③ Claude 破黎曼猜想纪录之后，AI 数学推理会不会成为各家新的「军备竞赛」？下一个被 AI 攻克的难题会是什么？
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-08-12
数界工坊 · 全球AI评测雷达