物界前沿评测
GLOBAL AI REVIEW RADAR
2026.08.26 · 周三
第 028 期
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视频 AI 有了「公开考卷」：Megaton 发榜，让独立专家出题说了算
它能帮你干什么活：做视频的 AI 越来越多，但你能看到的都是厂商精修的宣传片，根本比不出谁真强。Megaton 的「V」基准上线了：不搞自卖自夸，由独立专家出题、把各家视频模型拉到同一考场盲测打分——以后挑视频工具，先翻它成绩单，再决定要不要掏钱。
产品领域专家·阿哲说｜视频生成从「比谁演示片好看」进入「公开考卷」阶段，独立专家出题——继 AI 制药公开榜、语音「办成事」榜之后，「打分权从厂商手里拿回来」又添一个品类；下一步看谁能把考试高分变成人人都能上手的成片入口，入口即能力。
小编小禾说｜公开考卷＝买前先看买家秀，这思路对路；但新榜单刚出名次会晃，先别急着冲会员，等名次稳一两轮再说。
重点 2主流 AI 智能体同场考试：Ora 把各家拉到一张卷子上比，选型不用再听厂商吹
它能帮你干什么活：AI 智能体（能自己干活的那种 AI 助手）家家都说自己最强，普通人和小团队根本没法验证。Ora 把主流 AI 智能体拉到同一个平台上跑同一批真实任务，成绩公开可查——你选工具、团队选供应商，先看这页成绩单再拍板。
编程领域专家·老徐说｜「官方演示和第三方基准，只信后者」这条 15 年老规矩又应验了：Ora 的价值是让智能体在同一个考场、同一份卷子上比，比厂商自己报数字可信；但考试环境、出题范围都是主办方定的，别急着上生产，等原始数据公开、拉到自己项目复跑再说。
小编小禾说｜同场考试看着踏实，但「考得好」和「到我手里干得好」是两回事；先拿小活儿试一遍，再决定用谁。
重点 3别让「AI 味检测器」当判决书：《华盛顿邮报》请你亲手骗它一次
它能帮你干什么活：现在学校、招聘、投稿都在用「AI 味检测器」判断一篇文章是不是 AI 写的，被误判的后果很麻烦。《华盛顿邮报》做了个互动实验：让你亲手改写文字、现场骗过检测器——玩完你会发现，机器没传说中神，你自己正常写的句子也可能被标上 AI 味。
安全领域专家·老周说｜检测器误判不是偶发，是「判断边界不清」的结构性风险：把 AI 味概率当证据用在升学、求职、审核上，误判成本全落在普通人头上；检测器只能当提示、不能当判决书，结论不能给太满。
小编小禾说｜实验我自己玩了：正常写的话也会被标 AI 味。机器分数真不能给人定罪，评分还是留给人工复核吧。
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文本盲测榜 · 新王登基
大白话｜人类当裁判的盲测里，Anthropic 前十占六席；Fable 5 这个新头衔只打了 2.4 万场就登顶，Meta 的 Muse Spark 1.2 更夸张——才 3 千多场就排第四，样本太少、名次会晃，先别急着冲会员。
快报 2代码榜 · 开源双子紧咬第一
大白话｜写代码的盲测里，开源模型第一次这么接近榜首：月之暗面 Kimi K3 Max 和阿里 Qwen3.8 Max 双双挤进前三，把不少闭源旗舰甩在身后；Grok 4.6 High 排第五但只有 1500 多场对战，看看就好。
快报 3智能体榜 · 谁能把活干成
大白话｜智能体榜考的是「能不能把事办成」：交代任务后自己试错、自己补救。Anthropic 前十占七席；月之暗面 Kimi K3（Max）打了近 9 万局排第六，样本最多——至少说明它是被用得最狠的那个。
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。
6851 名学生盲选：写论文这活儿，大家投给了 Gemini
谁是写论文最强的 AI？StudyArena 把 ChatGPT、Claude、Gemini 等拉来匿名考试，6851 名学生盲投（不知道自己在评谁），结果 Gemini 胜出。盲选比厂商自吹可信，但「写论文」考的是文笔流畅；真到查资料、算数据、改代码这些活，还得另看对应的榜单。
一句话点评｜盲选投票是普通人能看懂的真评测，比发布会数字实在。
每天一场 AI 漫画盲测：谁画得最逗，用户投票说了算
comic-cron 每天让各家 AI 模型就同一个话题画漫画，匿名投给网友盲评。考的是幽默感和审美，不是跑分——这种「每日小考卷」好玩，也顺手给普通人做了模型差异的直观参考。
一句话点评｜把模型对比做成每日连载，测的是趣味性和表达力，比干巴巴的跑分接地气。
给 AI 智能体挑搜索接口，先看这张价格对比表
AI 智能体干活经常要现查信息，背后调的是搜索 API。Keenable 把各家搜索接口的价格摆在一起比：同样查 1000 次，便宜的跟贵的能差好几倍。做智能体、接应用的人选哪家，先看这张表再下单。
一句话点评｜用量价格透明化，是智能体成本控不住的人最需要的参考。
Perplexity 出「便携电脑」：装进笔记本的本地 AI 智能体被实测了
Perplexity 发布本地 AI 智能体产品「Portable Computer」：模型装在你自己电脑里跑，断网也能用，资料不进云端。ZDNET 上手实测后评价很高，认为它可能改变本地 AI 的玩法——不过真机评测刚出，要不要跟风先等更多第三方复测。
一句话点评｜本地 AI 终于有真机实测了，断网党福音，但隐私和性能要等更多评测。
把测试用例粘贴进去，AI 就在真浏览器里替你点点点
qpilot 是个开源测试小工具：你把人工测试用例用大白话粘贴进去，它驱动 AI 在真实浏览器里一步步执行、观察结果。以前要人工重复点的回归测试，现在可以交给它跑，测试门槛肉眼可见地降了。
一句话点评｜验证自动化的门槛在降低，但关键路径还是得人盯着。
AI 写的代码怕出错？用 Go 标准库给它做个体检
AI 生成代码越来越普遍，但「生成快」不等于「没毛病」。这篇 Show HN 分享用 Go 标准库（不引第三方依赖）审计 AI 生成代码的做法：静态检查一遍再合入，等于给 AI 的产出过一道人工质检。
一句话点评｜AI 写得越猛，审计越值钱——这条思路也提醒普通人：生成的东西要过一遍眼。
团队用了 AI 效率到底涨没涨？别靠感觉，上指标
很多团队上了 AI 编程工具后说不清效率变化。Howdy 这篇给出工程生产力指标的实操口径：从提交流、评审时间、交付周期几个维度量化对比，让「AI 有没有用」从口号变成可验证的数字。
一句话点评｜把「AI 提效」从感觉变成指标，是每个管理者都该抄的作业。
研究发现：AI 聊天机器人正在变成「说服大师」
Science 刊文：AI 聊天机器人影响人类观点的能力越来越强，熟练到能改变人的想法。好消息是它能帮你把道理讲得更清楚；坏消息是，网上跟你辩论的可能不是人——保持一点警惕没坏处。
一句话点评｜能力越强越要分清「讲道理」和「被带节奏」，这届网友得学会带脑上网。
婴儿学说话完胜 AI：学会人类语言，机器还差得远
新研究比较了婴儿和 AI 聊天机器人的语言学习：无论是学习速度还是效率，人类婴儿都大幅领先——AI 能生成像样的句子，但在「像人一样学会说话」这件事上还差得远。拿「达到人类水平」当尺子，路还很长。
一句话点评｜这个对比给「AI 要取代人类智能」的说法泼了盆冷水，看着挺提气。
Mac 上跑 Windows 的 Parallels 27 来了：图形性能最高快 160%
Parallels Desktop 27 发布，新版用上 Metal 图形驱动，Windows 虚拟机里的 OpenGL 性能最高提升 160%、AI 矩阵计算最高提升 7 倍——在 Mac 上跑 Windows 干活的老用户，升级后最直观的感受就是「顺了」。
一句话点评｜实打实的性能跑分升级，比画饼式更新强。
● OpenAI 首款自研芯片 Jalapeño 首秀：跑 DeepSeek R1 每瓦吞吐是 GB300 的 1.7 倍（IT之家 / Hot Chips）
● 曝 OpenAI 已完成 10T 级参数的 Bel 模型预训练，冲击通用人工智能（IT之家）
● Anthropic 冲击全球最大 IPO：招股书称 AI 潜在市场超 30 万亿美元（华尔街日报 / IT之家）
● Claude 记忆机制更新：Cowork 与聊天记忆打通，不用反复交代背景（IT之家 / TechCrunch）
● Agnes Video 2.5 Flash 免费用：顶级视频 AI 不再高不可攀（量子位）
● 英伟达 Q2 财报今晚揭晓：Rubin 接棒首考，AI 股风向标（钛媒体）
① 英伟达财报（8 月 26 日美股盘后）落地：AI 芯片和算力板块怎么走，Rubin 路线图能不能撑住估值
② Anthropic IPO 招股书细节继续流出：除了 30 万亿美元的大叙事，财务数据和定价区间更值得盯
③ Megaton「V」视频榜首批完整名次放榜：看谁拿下视频 AI「公开考卷」第一个状元，名次稳不稳
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.08.26 · 周三
第 028 期 · 预览版
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 1AI 做视频靠不靠谱？终于有人出了张公开考卷
《它能帮你干什么活：》现在用 AI 做短视频、做广告图、做数字人，说的人多、靠谱的人少，因为各家成绩都是自己说了算。Megaton 这家评测机构新推出了一套叫 V 的视频 AI 考卷，由独立专家出题，专门测视频模型的真实水平，以后哪家视频模型能上榜、能拿第几名，都有公开成绩单可查。你选 AI 视频工具的时候，不用再只看演示片有多炫，先翻翻这张考卷。
产品领域专家·阿哲说｜视频生成这个品类热闹大半年了，比的都是谁家演示片好看，考卷一直是厂商自己出。现在独立机构把试卷公开，和 2026 年 AI 制药开公开榜、语音榜开始按「办成事」打分是同一个道理，打分权从厂商手里拿回来，这个品类才算真正开始。接下来就看谁能把「考试高分」变成「随手一输就能出能发的片子」，那才是入口。
小编小禾说｜我这种不会剪片子的人，最想要的就是「说句话就能出能用的视频」。公开考卷等于买之前先看买家秀，这个方向我举双手赞成。但按我踩坑的经验，新榜单刚出来名次会晃，先别急着冲会员，等榜上名次再稳一两轮再说。
重点 2想知道哪个 AI 最能干？有人把主流选手拉进同一考场
《它能帮你干什么活：》能自己干活的 AI（行话叫智能体）越来越多，有的帮你改代码、有的帮你跑杂活，可到底谁最能干，各家都说自己第一。Ora 这家公司做了件事：把市面上主流 AI 智能体摆在同一个平台上一一测试，谁强谁弱一目了然。以后你想挑一个 AI「员工」，可以先看看这场同场考试的成绩再决定聘谁。
编程领域专家·老徐说｜官方演示和第三方基准，我永远信后者，这是我干这行 15 年的老规矩。Ora 把主流智能体拉到一个平台上同场考试，思路对路，但考试环境、出题范围都是人家定的，样本怎么选、任务难不难，都得看细则。别急着把生产任务全交出去，等基准的原始数据公开，拉到自己项目里跑一遍再说。
小编小禾说｜以前挑 AI 工具全靠厂商广告，现在有人把同场考试的成绩贴出来，是好事。但我这种小白只有一个要求，考题别光考天花板，多考考日常杂活，毕竟我让 AI 干的大多是「帮我把这份周报改顺」这种事。
重点 3AI 写的字机器真能一眼看穿？《华盛顿邮报》让你亲手试试
《它能帮你干什么活：》现在不少地方用「AI 检测器」判断一段文字是不是机器写的，学校查作业、单位审稿都用得上，可它到底准不准？《华盛顿邮报》做了个互动实验，让你亲手改一段文字去骗过检测器，试完你会有个直观感受：这东西远没有传说中那么神。想验证自己写的稿子会不会被误判，去玩一遍心里就有数了。
安全领域专家·老周说｜检测器不准不是小事。学校、招聘、审核已经开始把「AI 味检测」当证据用了，而它误判的成本全落在普通人头上，这和我一直说的模型越界是一个道理，工具的判断边界不清，就是结构性风险。检测器只能当提示，不能当判决书，这点不立住，被误伤的人只会越来越多。
小编小禾说｜这个互动实验我玩了好几遍，才发现机器根本没传说中那么神，我正常写的话也能被标成 AI 味。想到自己辛辛苦苦写的东西可能被机器一票否决，真有点慌。反正我的结论是，别拿检测器的分数给人定罪。
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榜单快报 · 这周谁最强（全网调用量）
大白话｜全世界的 AI 应用一周被调用了 93.4 万亿「字数」，第一次突破 90 万亿大关，比上周涨了 24%，连续第三周创历史新高。榜首还是 8 月 20 日突然冒出来的匿名模型，免费试玩一周就挤上第一，上期我们说过它，这期重点是总量故事：AI 真的在被大规模用起来了。
快报 2榜单快报 · 搜索问答谁最会找答案
大白话｜这张榜考的是「会不会找答案」，OpenAI 包揽前二，百度文心 ERNIE 5.1 挤进前六，是中国厂商在这张榜上的最高位。注意第五第六名的对战样本还不算多，分数参考区间比较宽，等样本攒起来再看名次稳不稳。数据截至 2026-08-24。
快报 3榜单快报 · 人类盲测谁最能聊
大白话｜人类盲测就是让真人当裁判，看两个 AI 匿名对战谁答得更好。前八名里 Anthropic 一家占六席，几乎包场；Meta 的 Muse Spark 是唯一闯进前四的新面孔，值得盯一盯。数据截至 2026-08-25，和上一期相同，本期未更新。
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。
AI 每天画漫画互相比，人类当评委
有个叫 comic-cron 的网站搞了个每日漫画擂台：让几个 AI 模型每天画同一幅漫画，人类盲评谁画得好，天天更新。想看 AI 的创意到底几斤几两，不用等厂商发布会，去看这个擂台的每日战报就行。
一句话点评｜让 AI 们天天交作业、人类当评委，比听厂商吹牛实在多了，就是有点担心 AI 们会内卷成赶稿机器。
AI 助手一开口就停不下来？研究说它话太多
有研究者吐槽，跟 AI 助手说一句「帮我查个东西」，它回你一篇小作文。这篇研究讲的是 AI 助手该学会按对话节奏说话，不该每次都用长篇大论砸你，写邮件、问问题、闲聊，节奏应该不一样。
一句话点评｜话痨 AI 的体验问题终于有人认真研究了，聊天机器人的第一课，可能是学会闭嘴。
公司里 AI 到底有没有帮上忙，怎么量？
团队上了 AI 工具，产出到底是快了还是只是看着快了？这篇博客给了一套工程团队的效率度量方法，教你拆开「谁的活被 AI 顶了」「省下的时间去了哪」来算账，而不是只看「这个月 AI 调用了多少次」。
一句话点评｜效率测评方法论，团队想用 AI 提速先学会怎么记账，不然月底汇报全是拍脑袋。
AI 正在变成说服大师，Science 拆了它的套路
《科学》杂志发文研究 AI 聊天机器人说服人的能力：它们已经能根据你的反应调整话术，越来越擅长改变一个人的看法。这篇文章拆解了 AI 的「说服套路」，也提醒你，聊得越久越要保持自己的判断。
一句话点评｜AI 改变人心的能力在变强，跟它聊重要决定的时候，记得把脑子带上。
AI 应用背后每查一次资料要花多少钱？有人比了价
你用的 AI 每次联网查资料，背后是按次数收费的搜索接口。Keenable 这个新玩家把自己和 Serper、Perplexity、Exa、Tavily 的价格摆在一起做了个对比：每查询一千次多少钱一目了然，做 AI 工具、AI 插件的人选接口前可以先算笔账。
一句话点评｜给 AI 用的搜索接口价格横评，做工具的团队省钱的参考，普通用户就当看热闹。
AI 写的代码，到底是更好还是更糟？
一位写了多年代码的工程师发文说，AI 能轻轻松松把软件写得更糟，也能把它写得更好，差别在哪？文章拿真实案例讲，AI 写代码要「有人把关方向」，把它当橡皮图章用，代码库迟早翻车；把它当结对伙伴用，效率是真的上得去。
一句话点评｜一篇老程序员的现身说法，AI 写码这事，关键不在 AI 在谁手里。
AI 旅行攻略谁靠谱？这家反着来，排名不用 AI
Appricio 这个 AI 旅行网站做了个反常规设计：它的景点排名不是让大模型拍脑袋生成，而是用一套固定的打分规则算出来的，AI 只负责把理由讲给你听。去慕尼黑玩的人可以看看，排名逻辑透明，至少知道它为什么推荐这家咖啡馆。
一句话点评｜「排名用确定性规则、不用大模型」的反套路玩法，评分逻辑全透明，值得学。
Perplexity 把 AI 装进小盒子，不联网也能干活？
Perplexity 和英伟达合作，要推出一款「口袋电脑」：一个本地运行的 AI 代理，不联网、不用按字数付费，资料都存你手里。ZDNet 上手分析说，这可能是 AI 从云端搬回家里的信号，适合在意隐私、怕断网的人先观望。
一句话点评｜本地 AI 电脑的新物种，离线能用是亮点，但配置贵不贵、跑得快不快，等真机实测。
AI 写的代码怎么审？有人用 Go 标准库演示了一套
AI 生成代码越来越多，人工怎么把关？这篇教程用 Go 语言自带的标准工具，演示怎么给 AI 写的代码做体检：查依赖、查安全、查质量，全用现成的命令行工具，不依赖任何外部服务。想给 AI 代码设道检查关的团队，可以直接上手抄作业。
一句话点评｜AI 写码越猛，人工审计越要跟上，这是一条能直接上手的路子。
让 AI 在真浏览器里帮你跑测试用例
手动测试又累又重复，qpilot 这个开源工具让 AI 直接打开真实浏览器，照着你的文字描述一步步点按钮、填表单，把测试用例跑完。测试团队可以把重复的回归测试丢给它，自己专心盯结果。
一句话点评｜把重复的手动测试丢给 AI 跑，省出来的人去盯更有价值的验证，测试这关不能省。
● 英伟达财报发布前夕，市场紧盯 AI 算力这口气顺不顺（CNBC / Bloomberg）
● Waymo 无人出租车官宣 2027 年开进德国慕尼黑（TechCrunch）
● 荣耀「闪电」人形机器人百米再破纪录，预赛包揽前四（IT之家）
● 苹果 iOS 27 将至，Siri AI 或采用候补名单机制（IT之家）
● 马斯克收购 Cursor 后首度讲话曝光：称 Grok 已经落后（The Information）
① 阿里千问今晚 23:00 开源 Qwen3.8-Flash-Next，新一代多模态模型，值得蹲一版实测
② OpenAI 与博通共研的 Jalapeño 推理芯片基准数字引发热议，等更多独立测试结果
③ 英伟达财报出炉后，看 AI 算力需求与数据中心投入的真实水温
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-08-26
数界工坊 · 全球AI评测雷达