物界前沿评测·全球AI评测雷达
PHYSIX FRONTIER AI REVIEW · BENCHMARK RADAR
2026.08.13 · 周四
第 015 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 4 组 ｜ 板块精选 13 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 1DeepSeek V4 Pro 空降 LiveBench：77.4 分，答对一题只花 4 分钱
它能帮你干什么活：LiveBench 是出了名的「防作弊考场」——题目半年一换、杜绝真题泄露，所以分数比一般榜单实在。最新榜单上，DeepSeek V4 Pro 以 77.4 分空降，离第一梯队（Claude Fable 5 的 83.0）只有 6 分差距；更夸张的是成本，每成功完成任务平均只要 4.4 美分（约 3 毛钱人民币），全场最低档。想省钱又想要接近顶级的 AI，这个数字很值得记住。
编程领域专家·老徐说｜77.4 分放在半年前得卖十倍价。DeepSeek 的打法一直没变：用十分之一的价格做到九成能力，让「够用」变成「真香」。我上个月就说过，调用量是市场用脚投票的硬指标——这次空降 LiveBench，等于把「便宜」和「强」同时写进了官方成绩单。不过我还是要泼盆冷水：榜单分数归榜单，接进真实项目的稳定性，先等第三方实测。
小编小禾说｜我用 DeepSeek 写过周报、排过行程，说实话和贵好几倍的模型差别不大。它最打动我的是响应快、不啰嗦，凌晨三点改稿子它还在线。3 毛钱一题的价格，我都不需要纠结「今天该省着点用」。
来源：LiveBench（2026-06-25 版榜单）/ IT之家
重点 2AI 智能体盲测榜：Anthropic 三连冠，Kimi K3 是中国牌面
它能帮你干什么活：如果你想找「最能干活的 AI」而不是「最能聊天的 AI」，看 Arena 智能体盲测榜。真人裁判、不看品牌、真刀真枪对战：Claude Fable 5、Opus 5 系列包揽前三，OpenAI 的 GPT-5.6 Sol 排第四，月之暗面 Kimi K3 以 10.43 分排第五，是中国模型最高名次。榜单六项维度里，还有「命令恢复」这种考「搞砸了能不能自己修好」的硬题。
安全领域专家·老周说｜智能体榜比聊天榜难刷——它考的是「干活的可靠性」。Kimi 能挤进前五是实打实的信号，说明国产模型在「干活」这个维度真的追上来了。「命令恢复」能进考试科目，说明行业已经开始把「AI 犯错后能否自己兜底」当成硬指标，这也是一种边界意识：能力越强，越要防住「越界」。权限该设最小还是要设最小，别因为分数高就乱授权。
小编小禾说｜我这两天正好在试用智能体帮我整理会议纪要和跟进任务。体验是：它能干 80% 的活，剩下 20% 需要我兜底——好在它干砸了会老实说。榜单上那一两分的差距，落到日常使用，可能就是一句话的差别。
来源：Arena 智能体盲测榜（快照 2026-08-11，8/12 抓取）
重点 3蚂蚁开源小模型 Ling 3.0 Tiny，被 123 项测试「红队」盘了个底朝天
它能帮你干什么活：开源小模型的极限在哪？独立评测团队对蚂蚁开源的 Ling 3.0 Tiny（免费版）做了123 类「红队」测试、累计 391 条记录：越狱防护、敏感内容、逻辑一致性、指令跟随……像体检一样全身查一遍。结果有扛住的、也有当场破功的，哪类强哪类弱，报告列得清清楚楚——这也是开源模型「敢让人随便盘」的透明度红利。
安全领域专家·老周说｜这种第三方红队全身体检，比厂商自吹的跑分值钱多了。391 条记录、123 个类别，逐类给结论，等于把底裤翻给用户看。我一直强调边界和护栏——小模型能力没那么强，反而更容易在边界上翻车。开源模型敢这么被盘，本身就是态度；至于报告里暴露的弱点，正是用户使用前该知道的「说明书」。
小编小禾说｜第一次觉得 AI 的「体检报告」我也能看懂：哪些项扛住了、哪些项当场破功，清清楚楚。这种把缺点摆在明面上的做法，反而让我更敢用它——起码我知道它的底线在哪。
来源：lateos.ai 红队报告 / Hacker News（2026-08-13）
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 1AI 智能体盲测榜（TOP 5）
大白话｜真人当裁判的盲测里，Anthropic 成了「常胜将军」，Kimi K3 是中国牌面。榜单还考「搞砸了能不能自己修」，这题比聊天水平实在。
快报 2「智能指数」综合榜（把能力、价格、体验揉在一起的评分 TOP 5）
大白话｜综合实力拼性价比，开源阵营第一名还是 Kimi K3——开源和闭源的差距，已经从「代差」缩到「几分之差」。
快报 3LiveBench 总分榜：谁在「防作弊考场」里领先
大白话｜DeepSeek 空降 77.4 分、单任务成本 4.4 美分全场最低档——「便宜大碗」这次写进了官方成绩单。
快报 4智能体新榜单：Solar Pro 4 首秀 + 记忆基准首测
・ 韩国 Upstage 发布 Solar Pro 4（512K 上下文窗口、商用智能体定位），首次亮相 Agent Arena 排名 44，与 MiniMax M2.7 同级（IT之家）。
・ Agent Memory Leaderboard 公开首批结果：给智能体「记忆系统」做基准——长上下文、人设、脚本与对话记忆四个维度打分（Hacker News）。
大白话｜智能体竞争开始考「记得住」和「会干活」——连记忆都能量化打分，说明这条赛道越来越像正经工程了。
13 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。
「Can you tell if a comment is AI?」：七个话题，人机评论盲测上线
一个新开的网页小游戏：同一篇文章下的七段评论，一段来自真人社区、一段来自 AI，让你猜哪段是 AI 写的。七个话题、七场对战，越到后面 AI 越难分辨。
一句话点评｜测的不只是模型，更是你对「人味」的敏感度——AI 正在把「像人说话」练得越来越像。
来源：talkshi.com / Hacker News
智能体「沙箱」能防逃逸，但不会告诉你里面发生了什么
技术博客复盘：Docker 沙箱、微虚拟机确实能拦住智能体「跑出去」，但运行时黑盒——它干了什么、改了什么、为什么失败，全部不可见。防住了「越界」，却丢了「审计」。
一句话点评｜安全性和可观测性，是智能体落地前必须补的两门课——光能关住不够，还得看得见。
来源：rye.ai / Hacker News
Silicon Data 融资 3050 万美元：给「算力性能」做标准答案
一家专做 AI 算力性能基准评测的公司 Silicon Data 完成 3050 万美元融资。随着「谁的算力快、谁的模型强」成为采购决策依据，基准评测本身变成了一门生意。
一句话点评｜连「评测算力的评测」都有人投钱了——AI 淘金热里，卖尺子的也在发财。
来源：Bloomberg
NagaAI：比 Poe、OpenRouter 更便宜的 AI 聚合器
又一个 AI 聚合器上线：一个入口调多家模型、按量付费，主打「更便宜」。聚合器赛道从「比模型多」卷到「比价格低」。
一句话点评｜聚合器开始拼价格，用户是最大赢家——但便宜之外，稳定性和隐私要看仔细。
来源：Hacker News
CrewScore：给智能体提示词做「覆盖率体检」
新工具 CrewScore 上线：自动检查你的智能体提示词覆盖了哪些分支场景、哪些没覆盖，相当于给 Prompt 写「单元测试覆盖率」。
一句话点评｜提示词工程正在变成「测试工程」——覆盖率的说法，早晚会进大家的工作流。
来源：Hacker News
Dynobox：开源智能体技能「测试跑道」
开源项目 Dynobox：给智能体的技能和工作流搭测试跑道——真实跑一遍、记录证据、对工具调用和文件结果做断言。AI 开发者的单元测试，终于有了趁手工具。
一句话点评｜智能体开发进入「有测试再上线」阶段，这是工程化的重要一步。
来源：GitHub / Hacker News
让 AI 写小说，实测：「不算差」
一位作家让 AI 基于自己的既有手稿续写小说，实测结论：文笔不算差、结构不出错，但少了作者本人的「气味」——那种只属于人的、无法参数化的东西。
一句话点评｜AI 文学的下限已经不低，上限还差口气——差的那口气，恰恰是最值钱的。
来源：Mother Jones / Hacker News
Roku 上线 AI 影片频道，第一波口碑「AI 味太冲」
Roku 推出号称全球首个 AI 电影频道 Fairground，装满 AI 生成的影片。上线即被吐槽：内容同质化、质感廉价，「AI 味」盖过了电影味。
一句话点评｜AI 内容能不能留住观众，第一波市场反馈不太妙——工具再强，审美还是硬门槛。
来源：The Guardian
调查：超 80% 日本公司还没全面拥抱 AI
路透社调查：超过 80% 的日本公司尚未在业务中全面引入 AI，主要卡在流程改造和员工培训，而非技术门槛。日本企业的「AI 慢半拍」被数据坐实。
一句话点评｜AI 普及的差距藏在企业流程里，不在技术里——会改流程的，才是赢家。
来源：路透 / BBC
TokenMaxxer：跟朋友比谁 AI 花钱多
新玩具上线：把大家的 AI 调用量、花费拉一个排行榜，跟朋友比谁「烧的 token 多」。AI 消费主义的新形态：花钱也要卷。
一句话点评｜AI 使用量从「生产力指标」变成「社交货币」，说明真金白银花在 AI 上的人越来越多了。
来源：Hacker News
6000+ 条 AI 编程智能体真实事故复盘：Cursor 问题最多
约克大学与卡尔加里大学研究团队爬取 2023 年 2 月至 2026 年 3 月 Reddit 上 3801 个与编程 AI 相关的帖子，整理出 6000 多条真实安全事故：AI 智能体因权限过大而覆盖文件、删除重要数据，甚至生成恶意代码——其中围绕 Cursor 的讨论最多。
一句话点评｜工具越强大，权限护栏越重要——「默认最小权限」该成为 AI 编程工具的产品标配，而不是用户自己去配。
来源：IT之家 / 约克大学研究（2026-08-13）
三星用 AI 压缩芯片验证循环：提速 15–30 倍
Hacker News 工程笔记复盘三星实践：在芯片验证环节引入 AI，把「发现问题—修复—复验」的迭代循环压缩了 15–30 倍。收益最大的场景共性很明确——数字化、可测试、可重复的任务。
一句话点评｜芯片验证是 AI 最难啃的硬骨头之一，三星把「15–30 倍」写进工程笔记，比任何发布会都实在。
来源：Hacker News（2026-08-13）
机器人基础模型 DYNA-2：超 100 万小时人类视频训练，任务成功率 90%
具身智能公司 Dyna Robotics 发布机器人基础模型 DYNA-2，基于超过 100 万小时的第一人称人类视频训练，任务成功率最高达 90%，官方定位为「世界动作模型」——通过观察人类操作来学习干活。
一句话点评｜机器人「看视频学动作」的路线被数据验证，通用机器人离「上手就会」又近了一步。
来源：IT之家（2026-08-13）
AI 大模型 / AI 软件 / AI 硬件
● Ilya 创办的 SSI 首个模型曝光：押注「测试时训练」持续学习新路线（量子位）
● 谷歌 Pixel 11 发布：最强 Agent 版 Gemini 站 C 位，AI 手机大战开打（CNBC）
● 富士康 AI 服务器营收首破 51%，iPhone 占比降至 29%（IT之家）
● CoreWeave 证实 A100 可服役至 2029 年，GPU 寿命远超预期（IT之家）
● Claude 上线 Chrome 侧边栏，对话历史全平台互通（IT之家）
① DeepSeek V4 Pro 这波热度过后，LiveBench 各分榜会不会被它继续刷新？77.4 分的「性价比王座」能坐多久？
② 智能体盲测榜新增「命令恢复」维度（搞砸了自己修），国产模型能不能借这题再进一步、冲进前三？
③ 智能体真实事故复盘出炉（Cursor 问题最多）之后，AI 编程工具会不会把「权限最小化」当成新卖点？
—— 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
2026.08.13 · 周四
第 015 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 1DeepSeek V4 Pro 空降 LiveBench：77.4 分，答对一题只花 4 分钱
它能帮你干什么活：LiveBench 是出了名的「防作弊考场」——题目半年一换、杜绝真题泄露，所以分数比一般榜单实在。最新榜单上，DeepSeek V4 Pro 以 77.4 分空降，离第一梯队（Claude Fable 5 的 83.0）只有 6 分差距；更夸张的是成本，每成功完成任务平均只要 4.4 美分（约 3 毛钱人民币），全场最低档。想省钱又想要接近顶级的 AI，这个数字很值得记住。
编程领域专家·老徐说｜77.4 分放在半年前得卖十倍价。DeepSeek 的打法一直没变：用十分之一的价格做到九成能力，让「够用」变成「真香」。我上个月就说过，调用量是市场用脚投票的硬指标——这次空降 LiveBench，等于把「便宜」和「强」同时写进了官方成绩单。不过我还是要泼盆冷水：榜单分数归榜单，接进真实项目的稳定性，先等第三方实测。
小编小禾说｜我用 DeepSeek 写过周报、排过行程，说实话和贵好几倍的模型差别不大。它最打动我的是响应快、不啰嗦，凌晨三点改稿子它还在线。3 毛钱一题的价格，我都不需要纠结「今天该省着点用」。
来源：LiveBench（2026-06-25 版榜单）/ IT之家
重点 2AI 智能体盲测榜：Anthropic 三连冠，Kimi K3 是中国牌面
它能帮你干什么活：如果你想找「最能干活的 AI」而不是「最能聊天的 AI」，看 Arena 智能体盲测榜。真人裁判、不看品牌、真刀真枪对战：Claude Fable 5、Opus 5 系列包揽前三，OpenAI 的 GPT-5.6 Sol 排第四，月之暗面 Kimi K3 以 10.43 分排第五，是中国模型最高名次。榜单六项维度里，还有「命令恢复」这种考「搞砸了能不能自己修好」的硬题。
安全领域专家·老周说｜智能体榜比聊天榜难刷——它考的是「干活的可靠性」。Kimi 能挤进前五是实打实的信号，说明国产模型在「干活」这个维度真的追上来了。「命令恢复」能进考试科目，说明行业已经开始把「AI 犯错后能否自己兜底」当成硬指标，这也是一种边界意识：能力越强，越要防住「越界」。权限该设最小还是要设最小，别因为分数高就乱授权。
小编小禾说｜我这两天正好在试用智能体帮我整理会议纪要和跟进任务。体验是：它能干 80% 的活，剩下 20% 需要我兜底——好在它干砸了会老实说。榜单上那一两分的差距，落到日常使用，可能就是一句话的差别。
来源：Arena 智能体盲测榜（快照 2026-08-11，8/12 抓取）
重点 3蚂蚁开源小模型 Ling 3.0 Tiny，被 123 项测试「红队」盘了个底朝天
它能帮你干什么活：开源小模型的极限在哪？独立评测团队对蚂蚁开源的 Ling 3.0 Tiny（免费版）做了123 类「红队」测试、累计 391 条记录：越狱防护、敏感内容、逻辑一致性、指令跟随……像体检一样全身查一遍。结果有扛住的、也有当场破功的，哪类强哪类弱，报告列得清清楚楚——这也是开源模型「敢让人随便盘」的透明度红利。
安全领域专家·老周说｜这种第三方红队全身体检，比厂商自吹的跑分值钱多了。391 条记录、123 个类别，逐类给结论，等于把底裤翻给用户看。我一直强调边界和护栏——小模型能力没那么强，反而更容易在边界上翻车。开源模型敢这么被盘，本身就是态度；至于报告里暴露的弱点，正是用户使用前该知道的「说明书」。
小编小禾说｜第一次觉得 AI 的「体检报告」我也能看懂：哪些项扛住了、哪些项当场破功，清清楚楚。这种把缺点摆在明面上的做法，反而让我更敢用它——起码我知道它的底线在哪。
来源：lateos.ai 红队报告 / Hacker News（2026-08-13）
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 1AI 智能体盲测榜（TOP 5）
大白话｜真人当裁判的盲测里，Anthropic 成了「常胜将军」，Kimi K3 是中国牌面。榜单还考「搞砸了能不能自己修」，这题比聊天水平实在。
快报 2「智能指数」综合榜（把能力、价格、体验揉在一起的评分 TOP 5）
大白话｜综合实力拼性价比，开源阵营第一名还是 Kimi K3——开源和闭源的差距，已经从「代差」缩到「几分之差」。
快报 3LiveBench 总分榜：谁在「防作弊考场」里领先
大白话｜DeepSeek 空降 77.4 分、单任务成本 4.4 美分全场最低档——「便宜大碗」这次写进了官方成绩单。
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。
「Can you tell if a comment is AI?」：七个话题，人机评论盲测上线
一个新开的网页小游戏：同一篇文章下的七段评论，一段来自真人社区、一段来自 AI，让你猜哪段是 AI 写的。七个话题、七场对战，越到后面 AI 越难分辨。
一句话点评｜测的不只是模型，更是你对「人味」的敏感度——AI 正在把「像人说话」练得越来越像。
来源：talkshi.com / Hacker News
智能体「沙箱」能防逃逸，但不会告诉你里面发生了什么
技术博客复盘：Docker 沙箱、微虚拟机确实能拦住智能体「跑出去」，但运行时黑盒——它干了什么、改了什么、为什么失败，全部不可见。防住了「越界」，却丢了「审计」。
一句话点评｜安全性和可观测性，是智能体落地前必须补的两门课——光能关住不够，还得看得见。
来源：rye.ai / Hacker News
Silicon Data 融资 3050 万美元：给「算力性能」做标准答案
一家专做 AI 算力性能基准评测的公司 Silicon Data 完成 3050 万美元融资。随着「谁的算力快、谁的模型强」成为采购决策依据，基准评测本身变成了一门生意。
一句话点评｜连「评测算力的评测」都有人投钱了——AI 淘金热里，卖尺子的也在发财。
来源：Bloomberg
NagaAI：比 Poe、OpenRouter 更便宜的 AI 聚合器
又一个 AI 聚合器上线：一个入口调多家模型、按量付费，主打「更便宜」。聚合器赛道从「比模型多」卷到「比价格低」。
一句话点评｜聚合器开始拼价格，用户是最大赢家——但便宜之外，稳定性和隐私要看仔细。
来源：Hacker News
CrewScore：给智能体提示词做「覆盖率体检」
新工具 CrewScore 上线：自动检查你的智能体提示词覆盖了哪些分支场景、哪些没覆盖，相当于给 Prompt 写「单元测试覆盖率」。
一句话点评｜提示词工程正在变成「测试工程」——覆盖率的说法，早晚会进大家的工作流。
来源：Hacker News
Dynobox：开源智能体技能「测试跑道」
开源项目 Dynobox：给智能体的技能和工作流搭测试跑道——真实跑一遍、记录证据、对工具调用和文件结果做断言。AI 开发者的单元测试，终于有了趁手工具。
一句话点评｜智能体开发进入「有测试再上线」阶段，这是工程化的重要一步。
来源：GitHub / Hacker News
让 AI 写小说，实测：「不算差」
一位作家让 AI 基于自己的既有手稿续写小说，实测结论：文笔不算差、结构不出错，但少了作者本人的「气味」——那种只属于人的、无法参数化的东西。
一句话点评｜AI 文学的下限已经不低，上限还差口气——差的那口气，恰恰是最值钱的。
来源：Mother Jones / Hacker News
Roku 上线 AI 影片频道，第一波口碑「AI 味太冲」
Roku 推出号称全球首个 AI 电影频道 Fairground，装满 AI 生成的影片。上线即被吐槽：内容同质化、质感廉价，「AI 味」盖过了电影味。
一句话点评｜AI 内容能不能留住观众，第一波市场反馈不太妙——工具再强，审美还是硬门槛。
来源：The Guardian
调查：超 80% 日本公司还没全面拥抱 AI
路透社调查：超过 80% 的日本公司尚未在业务中全面引入 AI，主要卡在流程改造和员工培训，而非技术门槛。日本企业的「AI 慢半拍」被数据坐实。
一句话点评｜AI 普及的差距藏在企业流程里，不在技术里——会改流程的，才是赢家。
来源：路透 / BBC
TokenMaxxer：跟朋友比谁 AI 花钱多
新玩具上线：把大家的 AI 调用量、花费拉一个排行榜，跟朋友比谁「烧的 token 多」。AI 消费主义的新形态：花钱也要卷。
一句话点评｜AI 使用量从「生产力指标」变成「社交货币」，说明真金白银花在 AI 上的人越来越多了。
来源：Hacker News
AI 大模型 / AI 软件 / AI 硬件
● A股 AI 硬件盘中普涨：寒武纪大涨近 5%，摩尔线程站稳 579 元上方（问财行情）
● 谷歌 Pixel 11 发布：最强 Agent 版 Gemini 站 C 位，AI 手机大战开打（CNBC）
● 富士康 AI 服务器营收首破 51%，iPhone 占比降至 29%（IT之家）
● CoreWeave 证实 A100 可服役至 2029 年，GPU 寿命远超预期（IT之家）
● Claude 上线 Chrome 侧边栏，对话历史全平台互通（IT之家）
① DeepSeek V4 Pro 这波热度过后，LiveBench 各分榜会不会被它继续刷新？77.4 分的「性价比王座」能坐多久？
② 智能体盲测榜新增「命令恢复」维度（搞砸了自己修），国产模型能不能借这题再进一步、冲进前三？
③ 财报季进入深水区：Cerebras 暴跌 14% 之后，市场会不会重新审视 AI 芯片公司的估值体系？
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-08-13
数界工坊 · 全球AI评测雷达