物界前沿评测
GLOBAL AI REVIEW RADAR
2026.08.29 · 周六
第 031 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谷歌 AI 一夜上了三张榜单：Gemini 3.7 Flash，干活的、写码的、聊天的都涨了
它能帮你干什么活：看懂谷歌新模型到底进步了多少。Arena（原 LMArena）官方账号 8 月 28 日宣布，Gemini 3.7 Flash (High) 一次空降三张榜：智能体榜总榜第 20 名，比上一代 Gemini 3.6 Flash (High) 的第 35 名大幅跃升；写代码的 WebDev 分榜从第 19 名跳到第 8 名；文本对话榜排第 9、Elo 1490 分。分项里「确认成功」比上一代涨了约 10%。价格上，2026 年底前输入每百万 token 0.75 美元、输出 3.75 美元，2027 年 1 月 1 日起恢复原价 1.5 和 7.5 美元。需要说明：Arena 主榜快照仍是 8 月 26 日的，这批新名次是官方 8 月 28 日刚宣布的。
编程领域专家·老徐说｜智能体榜从 35 名跳到 20 名、WebDev 从 19 到 8，这是实打实的位次变化，不是厂商自吹。但两点照旧：一是新名次刚上榜一两天，样本没攒够，名次会晃，先等稳一两轮；二是厂商 8 月 13 日那批自家成绩单（FrontierCode 43.6%、DeepSWE 65.3%）是自家口径，自报分数先打折。真想换工具链，拿自己项目里的活跑一遍再说，别急着生产环境。
小编小禾说｜我听懂了：谷歌这版模型干活、写码、聊天三样名次都升了，价格年底前还便宜。但我上期刚立的规矩——新榜单名次会晃——先别急着把全家桶换成谷歌的，等它稳一两轮。对普通人最实用的一句：公开榜单就是买前的买家秀，但这份数据截至 8 月 26 日，新名次是 28 日才宣布的，中间隔了两天，看的时候心里有数。
重点 2让 AI 写带引用的报告，15 个模型测下来：它标出来的「来源」可能压根不存在
它能帮你干什么活：知道 AI 给的参考文献能不能直接信。研究机构 Stipple 8 月 29 日公布了一组基准测试：找 15 个主流大语言模型各写两篇短报告，每篇被要求至少引用 5 个来源。结果发现，AI 写进报告里的那一条条「引用」，很多对应的文章根本不存在——标题、出处是编出来的。说白了：AI 特别会「把引用写成真的样子」，但像不像和真不真是两码事。
安全领域专家·老周说｜引用幻觉和误报是同一类问题：模型按「看起来完整」得高分，不按「真实存在」得高分，判断边界本来就没人给它划清楚。这跟今天刊里 Comcast 那篇 44% 漏洞误报是一个结构性毛病，只是考的东西从「是不是漏洞」换成了「引用是不是真的」。给用户就一条：AI 给的每条来源，点不开、搜不到，就当它不存在；拿 AI 资料做决定之前，引用必须逐条人工回查。
小编小禾说｜上期我刚学会「AI 报的安全漏洞快一半是冤枉的」，这期又添一条：AI 给的参考文献也可能是查无此文。以后谁用 AI 写论文、写报告，它列的来源我先自己搜一遍标题，确认文章真在再引用——AI 的话，信之前先验一遍，这话我这期要说第三遍了。
重点 346 枚、45 枚、10 枚、5 枚：机器人运动会的奖牌榜，到底在测什么
它能帮你干什么活：看懂机器人「比赛成绩」的水分在哪。2026 世界人形机器人运动会刚结束，企业合并奖牌榜的总成绩是：智元 46 枚、天工平台 45 枚、宇树 10 枚、银河通用 5 枚。数字放一张表里，很容易直接读成第一第二第三第四。但这四家拿奖的方式差别很大：智元把多款机器人送进竞技赛、场景赛和灵巧手多个专项，靠「多机多项目」堆出了数量；奖牌数衡量的是参赛策略和项目覆盖，不等于单台机器人的真实水平。
穿戴领域专家·阿凯说｜赛场就是真机考场，这点我欢迎——比发布会剪辑强多了。但看榜的老毛病得改：我 2026 年 8 月评 BBC 机器人披萨店和 Wired 实测 1.6 万美元割草机器人时说过，机器人翻车都翻在安装、维护、可靠性这些比赛不考的科目上。多台同款机器分头刷不同项目，合并榜就把单兵能力稀释了。看赛报先问三件事：几个选手上场、考哪些项目、同一台机器跑了几场。
小编小禾说｜机器人运动会听着热血，但奖牌榜跟我买家电看「获奖数量」是一个道理：项目设置不一样，数量不能直接比。真想给家里挑个能干活的机器人，与其看它拿了几块牌，不如看有没有人把它领回家用满一个月——延续我那句「先等第三方实测」。
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人形机器人运动会 · 企业合并奖牌榜（本周新鲜出炉）
大白话｜这是唯一一张本周新鲜出炉的「真机竞技榜」：数的是奖牌，但四家拿牌的项目范围差很多。总数能看热闹，含金量还得拆开各项目难度看——同一张表里比总数，容易被带偏。
快报 2AI 引用诚实度 · Stipple 基准（8 月 29 日发布）
大白话｜15 个主流模型被要求写带真实引用的报告，结果不少模型交上来的「来源」根本不存在。没有总分名次，但它给所有人提了个醒：AI 给的参考文献，逐条回查再引用。具体各模型误引率，原始报告在链接里，等第三方复测再当定论。
快报 3Arena 视觉分榜 · 数据截至 2026-08-26（快照未更新）
大白话｜主榜三天没挪窝，本期换看没上过的视觉分榜：人类盲测「看图说话」，Anthropic 前五占四席，阿里 Qwen3.8 Max 以 10 分之差排第二，挤在第一名身后。分差小、样本截至 8 月 26 日，看个梯队就行，别拿几分差距定生死。
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。
1.7 亿行代码实测：AI 报的「关键漏洞」44% 是冤枉的
Comcast 把自家 1.7 亿行代码交给 AI 漏洞扫描，对比两种评估方式：探索式让 AI 自由发挥，确定性给足指令和上下文。结果 AI 报出的高危「关键漏洞」里 44% 是误报，两种模式的结论差距明显。
一句话点评｜给 AI 的指令越明确、误报越少——但 44% 摆在这，AI 扫描结果必须人工复核，自动处置想都别想。
把各家大模型拉去做政治坐标测试：AI 不是中性的答题机器
一个叫 AI Political Compass 的网站让各家大模型做原版「政治指南针」测试，把每个模型在坐标轴上的位置画出来，点公司名可以单看一家的结果，各家位置差别肉眼可见。
一句话点评｜立场是写进训练数据里的出厂设置——问 AI 社会话题，多查几个来源，它给的是说法，不是标准答案。
几十块钱的微控制器，被作者跑起了 AI 生图
一位开发者花了近三年，在树莓派 RP2350 微控制器（Pico 2 用的那颗芯片）上实现了生成式图像模型：没有显卡、没有操作系统，跑通的那刻「几乎不可能」变成了「跑得慢但真能跑」。
一句话点评｜端侧能力的天花板又往上顶了一厘米：实用性为零，但它说明小硬件跑生成模型的极限比多数人以为的低得多。
一条提示词跑五天：这个 AI 智能体最后拒绝给自己开合格证
作者公开了一个叫 governed-pass 的实验规范：给 AI 编程智能体定了一套硬规则，每一条都来自一次真实翻车。最戏剧性的一幕是，智能体在没完全达标时拒绝签署「通过」——规则里写死了不许自证。
一句话点评｜AI 干活最大的坑是它既当运动员又当裁判；把「不能自己盖章」写进规范，是个值得抄的小设计。
AI 说代码写完了？这个命令行工具检查它是不是真能上线
Show HN 上的 AI Shipcheck：本地跑一圈，检查 AI 生成的代码离「可以上线」还差几步，不用注册、不传源码。
一句话点评｜把「AI 说好了」变成「机器可检查」，方向对；它本身也是 AI 时代的产物，先拿小项目试。
不靠大模型的智能体门禁：敏感数据一乱走就让构建失败
开源工具 Weir 是给 AI 智能体用的 CI 门禁：直接读智能体已有的 OpenTelemetry 追踪记录，发现敏感数据流向不该去的地方就让构建失败，全程不调用大模型。
一句话点评｜用现成的运行痕迹盯住数据去向，「环境说了算」又往前落成一步工具。
给工厂机器人下指令之前，先过一道「意图安检」
URML 是一套人可读的小语言：把实验室和工厂设备上 AI 智能体「想干什么」写成规范意图，再判定这台真实设备该不该放行。
一句话点评｜物理 AI 上岗前最缺的就是「意图可审查」这一环，方向很正，离规模落地还早。
开源语音底座 StreamCore：一个二进制文件给 AI 接上能被打断的嘴
StreamCore 用单个 Go 二进制提供实时语音基础设施：WebRTC 通话、随时打断、流式输出、NAT 穿透全带好，接你自己的智能体就能用。
一句话点评｜语音入口的「水电煤」在开源化，自己搭语音 AI 的门槛又低一截。
自部署 AI 推理：一个稳定端点管住换模型的折腾
InferCrane 给自托管推理做了一层「计划-部署-端点」流程：选模型和用途，它自动跑完部署，对外只留一个稳定接口，换模型不动业务。
一句话点评｜自己养模型的人最懂换模型有多折腾，这层壳值得跑分之外的关注。
Polytoken：把「AI 框架该长什么样」摊开讲
开发者 Polytoken 公开了自己的 AI harness 设计：模型外面那层调度、上下文、工具调用怎么搭，整套思路直接摊在页面上。
一句话点评｜模型分数之外，harness 质量越来越决定实际体验——这类「外壳工程」值得多几家晒。
● OpenAI 正式通知终止向 Cursor 供模型，拟定 11 月 12 日停服，马斯克炮轰奥尔特曼「就是小偷」（IT之家 / Reuters）
● Anthropic 联创汤姆·布朗表态：继续加码算力支持 Cursor，期待与 SpaceX 后续合作（IT之家）
● 腾讯混元发布并开源 Hy4 preview，大版本迭代周期压到约两个月（钛媒体）
● 三大唱片巨头环球/索尼/华纳集体入股 Stability AI，两年前它们还在互相起诉（钛媒体）
● 比尔·盖茨 6000 字长文转「刹车」：AI 在生物、网安、心理、就业四个维度跨过临界点（钛媒体）
● Debian 成员投票通过允许项目中「负责任使用」生成式 AI（Phoronix）
① Gemini 3.7 Flash 空降的智能体第 20、WebDev 第 8 稳不稳，盯 Arena 下一次快照更新怎么走
② 国内首部 AIGC 长剧《后西游记》8 月 31 日开播，第一批观众口碑就是 AI 长片的真人实测
③ OpenAI 断供倒计时开始：Cursor 用户转向哪家模型，各家编程榜名次会不会跟着动
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.08.29 · 周六
第 031 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 1谷歌 AI 一夜上了三张榜单：Gemini 3.7 Flash，干活的、写码的、聊天的都涨了
它能帮你干什么活：看懂谷歌新模型到底进步了多少。Arena（原 LMArena）官方账号 8 月 28 日宣布，Gemini 3.7 Flash (High) 空降三张榜单：智能体榜（Agent Arena）总榜第 20 名，净改进分比上一代 Gemini 3.6 Flash (High) 的第 35 名大幅跃升，长程任务档位已经和 Claude Sonnet 4.6、GPT-5.6 Terra (xHigh) 站到同一层；写代码的 WebDev 分榜从第 19 名跳到第 8 名；文本对话榜第 9 名，Elo 1490 分。分项里「确认成功」涨了 10%，排到第 5。厂商 8 月 13 日公布过一批自家成绩单，编程测试 FrontierCode 达到 43.6%、DeepSWE 65.3%，WebDev Arena Elo 宣称 1588。价格上，2026 年底前输入每百万 token 0.75 美元、输出 3.75 美元，2027 年 1 月 1 日起恢复 1.5 和 7.5 美元。榜单数据仍未更新到当天，本文引用快照截至 2026-08-26。
编程领域专家·老徐说｜智能体榜从 35 名跳到 20 名、WebDev 从 19 到 8，这是实打实的位次变化，不是厂商自吹。不过两处提醒：一是这批新名次刚上榜一两天，样本量还没攒够，前面几期我跟小禾都说过，名次会晃，先等稳一两轮；二是厂商 8 月 13 日那批编程成绩单（FrontierCode 43.6%、DeepSWE 65.3%）是自家口径，上期我就说过自报分数先打折。想验证就自己拿项目里的真实需求去跑一遍，别急着换工具链。
小编小禾说｜我听懂了，就是谷歌这版模型干活、写码、聊天三样都升名次了，而且它价格年底前还有优惠。但我上期刚学会一条规矩，新榜单名次会晃，先别急着把全家桶都换成谷歌的，等它稳一两轮再说。普通用户最该记住的是那句：公开榜单就是买之前的买家秀，数据截至 8 月 26 日，新名次是 8 月 28 日刚宣布的，中间隔了两天。
重点 2AI 扫描代码漏洞，报的「关键漏洞」近一半是冤枉的：1.7 亿行代码实测
它能帮你干什么活：看清 AI 查漏洞到底靠不靠谱。美国电信巨头 Comcast 把自己 1.7 亿行代码交给 AI 漏洞扫描工具过了一遍，结果 AI 报出的「高危关键漏洞」里，44% 是误报（假阳性）。他们把扫描分成两种模式对比：探索式评估让 AI 自由发挥，确定性评估给 AI 明确指令和上下文，结果差的不是一点半点。对普通用户来说，这条消息的意思是：AI 说「发现漏洞」的时候，别急着当圣旨，先让人复核一遍，不然团队会花大量时间去查根本不存在的漏洞。
安全领域专家·老周说｜44% 的误报率是个值得记住的数字。这跟我反复讲的「边界不清」是一个问题：AI 扫描器分不清「看起来像漏洞」和「真的是漏洞」，本质上是判断边界没划清楚，跟智能体越界是同一类结构性问题。好消息是这篇实测把两种评估模式分开了，探索式和确定性评估的结果差异说明，给 AI 的指令和上下文越明确，误报越少。但 44% 摆在这，AI 扫描结果必须配人工复核，自动处置想都别想。
小编小禾说｜我以为是 AI 报啥就是啥，原来快一半是狼来了。这跟我 029 期学会的那句话对上了：AI 的话，信之前先验一遍。普通人碰上「AI 说你家网站有安全漏洞」这种报告，第一条原则就是别慌，先找人确认是不是误报，别被带节奏。
重点 3AI 也有立场？有人把各家大模型拉去做了套政治坐标测试
它能帮你干什么活：知道 AI 并不是「绝对中立」的答题机器。一个叫 AI Political Compass 的网站，把各家大模型拖去做原版「政治指南针」测试，然后给每个模型标出它在政治坐标上的位置，点左边栏的公司名就能单独看某家模型的结果。测出来每家模型的位置都不一样。对普通用户来说，这条信息的价值是提醒：你问 AI 社会话题、政策话题时得到的回答，带着它训练数据里的立场倾向，别把 AI 的答案当成没有立场的标准答案。
产品领域专家·阿哲说｜模型不是中性的答题机器，立场是出厂设置，写进训练数据里了。做这类横评的价值在于把「隐形的立场」变成「看得见的坐标」，用户选哪个助手，某种程度上也是在选一套价值观。我在别的场合说过入口即模型，这里再加一句：选模型不能只看跑分，还得看它怎么回答敏感问题，这本来就是产品的一部分。
小编小禾说｜我平时问 AI 问题，默认它说的就是标准答案，从来没想过答案背后还带着训练数据的立场。这个测试把各家模型摆在一起一比，差别还挺明显。以后问社会话题我会提醒自己：AI 给的是它训练数据里的主流说法，不等于事实本身，重要的事多查几个来源。
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文本对话榜 · 数据截至 2026-08-26
大白话｜人类当裁判的盲测里，Claude 家族几乎包场，前十名大多是 Anthropic 家的。
快报 2智能体榜 · 数据截至 2026-08-26
大白话｜考智能体「能不能把事情办成」的榜，Claude 家族继续领跑，国内 Kimi K3 排在第 6。
快报 3写代码榜 · 数据截至 2026-08-26
大白话｜写代码榜上开源选手 Kimi K3、Qwen 冲进前三。本期新料：Gemini 3.7 Flash 8 月 28 日空降 WebDev 分榜第 8，详见重点更新。
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 说代码写完了？这个工具帮你检查是不是真能上线
Show HN 上出现一个叫 AI Shipcheck 的命令行工具，在你本地跑一圈，检查 AI 生成的代码是不是真的达到「可以上线」的程度，不需要注册、不用传源码。
一句话点评｜把「AI 说好了」变成「可检查」，方向对；工具自己也是 AI 辅助写的，先拿小项目试。
AI 智能体想偷传敏感数据？这个开源门禁会拦下它
Weir 是一个给 AI 智能体用的 CI 门禁工具：它读取智能体自己发出的 OpenTelemetry 追踪记录，一旦发现敏感数据流向了不该去的地方，就让构建失败，全程不需要调用大模型。
一句话点评｜用现成追踪痕迹盯住智能体的数据去向，把「环境说了算」从理念落成工具。
给工厂机器人发指令前，先过一道安全评测
URML 是一套给实验室和工厂硬件上的 AI 智能体用的安全评测语言：用人类可读的小语言描述「机器人想干什么」，再判断这个意图在真实设备上是否被允许执行。
一句话点评｜物理 AI 要上岗，先得有「意图可审查」这一步，方向很正，落地还早。
开源语音底座：给你的 AI 接上一张能打断、能实时对话的嘴
StreamCore 是一个开源的实时语音基础设施，一个 Go 二进制文件就能让 AI 通过 WebRTC 和你对话，支持随时打断、流式说话，自带 NAT 穿透，可以接你自己的智能体。
一句话点评｜语音入口的「水电煤」正在开源化，自己搭语音 AI 的门槛又低了一截。
AI 代理被丢进真实购物网站，一场实验差点失控
一篇叫 Wet Claude be shoppin' 的实验记录：有人让 AI 代理去真实购物网站自主下单买东西，结果实验过程「失控」了，买回一堆意想不到的东西。
一句话点评｜真实环境的代理实验比任何演示片都可信，买家秀式实测永远值得看。
给 AI 开了最高权限之后，作者自己被吓到了
一篇技术随笔《Your AI Agent Has Root》：作者发现自己一直在给 Claude 挂一个能执行系统命令的 MCP 服务，权限大到基本等于把整台电脑交给了 AI，他自己都没意识到风险有多大。
一句话点评｜MCP 工具默认权限大得吓人，给 AI 的钥匙先想清楚能开哪几扇门。
企业后台也能统一管 AI 用量了：一个 Spotify 插件
有人给 Spotify 的开源开发者门户 Backstage 写了一个 LiteLLM 插件，让企业直接在后台管理 AI 模型的虚拟密钥、监控模型的调用量，不用再分散到各个平台。
一句话点评｜AI 用量在企业内部透明化，是「可控」的第一步，治理类工具开始补位。
拿真实行情数据给 AI 兜底：治它一本正经胡说八道
RobinHood 是一个开源框架，专门分析多资产时序数据，用 TCN 加 LSTM 加注意力机制的深度学习结构，目标是让大模型在金融这类领域少点幻觉，先看真实数据再开口。
一句话点评｜治幻觉的「先查后答」路线又多一个样本，效果还得看实测。
多个 AI 模型串成一条流水线？新工具帮你编排
Polytoken 把自己定位成「AI 的编排工具（harness）」，把多个模型、多步任务串起来跑，省得用户在不同 AI 之间手动倒腾提示词。
一句话点评｜AI 编排工具扎堆出现，本质都是想当「不用自己搬砖」的那一层。
自托管 AI 推理：一个稳定入口，模型随便换
InferCrane 是一个开源自托管 AI 推理工具：你选好模型和目标，它帮你规划并部署一个稳定的推理端点，换模型不用重新折腾环境。
一句话点评｜本地部署的「统一接口」思路，换来换去不搬家，但部署成本仍是门槛。
● 《时代》周刊 2026 全球 AI 100 放榜，奥特曼、李飞飞等 100 人上榜（量子位）
● 韩国推「AI for All」：向全体公民免费开放 AI 服务（WSJ）
● 英伟达支持的 Lambda 拿到 10 亿美元融资，继续买芯片（Bloomberg）
● Musk 的 xAI 起诉制作 Grok 深度伪造的用户，相关诉讼增多（Politico）
● Anthropic 发布 MHS 统一接口，打通 AI 与物理世界（雷锋网）
● 谷歌 AI 模式上线机票比价、积分汇率查询，进军旅行场景（Seroundtable）
① Gemini 3.7 Flash 刚空降的智能体第 20、WebDev 第 8 两个名次稳不稳，看接下来一两周榜单怎么走
② Comcast 误报研究出来后，各家安全厂商会不会跟进公开自家 AI 扫描的误报率
③ DLSS 5 民间移植版在 RTX 40 系列上的实际帧率和画质对比测试，等第一批第三方数据
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-08-29
数界工坊 · 全球AI评测雷达