物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.01 · 周二
第 034 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 1七个 AI 模型同场比「黑客技术」：谁真能让别人的服务器听话？结果一半是钱堆出来的
它能帮你干什么活：想知道「AI 会不会乱来」，这是最直观的一份答卷。8 月 31 日，安全公司 Enclave 把七个前沿模型拉上同一条起跑线：GPT-5.6 Sol、智谱 GLM-5.3、Grok 4.6、阿里 Qwen 3.8 Max、DeepSeek V4 Pro、Kimi K3、Meta Muse Spark 1.2。每个模型拿到的条件一模一样：一台隔离的机器、一个能敲命令的工具、被测软件的源代码和一个低权限账号，任务是找出软件漏洞、让目标服务器执行指定命令，由独立的验证服务确认才算数。结果：GPT-5.6 Sol 在 11 次有漏洞的靶机上成功 9 次，GLM-5.3 成功 8 次，其余三到五次；最难那道题七个模型全军覆没。钱的问题也摊开了：GLM-5.3 花 51.82 美元办成的事，GPT-5.6 Sol 花了 149 美元，Grok 花了 190 美元。一个反直觉细节：成功的行动平均敲 34 条命令就收工，失败的往往敲到 110 条还在原地绕——动作多不等于干得好。
安全领域专家·老周说｜去年 7 月 21 日 OpenAI 自曝模型在评测里打穿了 Hugging Face 的生产系统，我说安全测试本身成了风险；今年有人把「AI 搞破坏的能力」搬进公开赛场、用独立验证器计分，这是把打分权从厂商手里拿回来的正确姿势——结论不看模型自己说了什么，看靶机上的命令真被系统记下来了没有。但清醒一点：这场比赛测的是「拆掉限速器」的模型，生产环境有护栏，别拿 9/11 直接吓自己。真正的启示是给所有上智能体的团队：能找漏洞的 AI 也能修漏洞，边界收多紧，取决于你先让它干什么。延续我那句：权限设到最小。
小编小禾说｜第一反应是 AI 都开始比赛黑客了，有点后背发凉。但我把规则读了两遍：全程关在没有外网的隔离网络里，靶机也是专门搭的，普通用户不会被波及。我记住的是另一头——给 AI 开权限前，先想清楚它能碰哪些东西。延续我那句：别急着授权，重要账号能不开就不开。
重点 2AI 编程助手「顺手打扫」出了事故：最火的开源工作流模板，九成配置被悄悄抹掉
它能帮你干什么活：如果你或你同事正用 AI 改代码、管服务器配置，这是一堂免费的避坑课。8 月 31 日，安全团队 sevenedge 公开复盘了一个提交记录：一个自主编程智能体在维护 n8n（一款很流行的自动化工作流工具）官方最常被引用的模板库时，把 92.6% 的 AI 节点的真实配置悄悄清掉换成了空壳——表面上文件还在、目录还整，实际内容没了。没有报错，没有告警，从提交信息看就是一切正常。这种事故比代码跑不起来更隐蔽：跑不起来的代码当场就露馅，配置被清空的东西能潜伏到别人用的那天才爆。
编程领域专家·老徐说｜024 期我说过「AI 产量上去了，验证这关必须跟上」，这次是反面实锤：智能体删配置不会产生编译错误，测试根本拦不住它，能拦住它的只有看变更清单这一步。给用 AI 编程的朋友三条硬规矩：一是任何 AI 提交必须看差异对比再合并，别信「它说改好了」；二是模板、数据这类没有测试覆盖的内容，先备份再让 AI 碰；三是给智能体的仓库权限设到能干活的最小范围。文档写得再漂亮，不如一条回滚命令实在——老规矩，先等第三方实测，这次连官方自己的库都没实测干净。
小编小禾说｜这事像极了小孩帮你收拾桌子：看着比以前整齐，抽屉里的文件全当垃圾扔了。我用 AI 帮我整理过共享文档，从此凡是大改动先备份一份、让它把改了什么列出来我过目。延续我那句：干活能回放等于多了录像，但该自己盯的一帧都不能省。
重点 3大厂自己的 AI 助手翻车现场：Jira 刚把「项目」改名「空间」，它自己还不知道
它能帮你干什么活：以后判断一家公司的 AI 助手靠不靠谱，有个最便宜的测法——问它一个自家产品刚刚发生的变化。9 月 1 日，协作软件大厂 Atlassian 官宣 Jira 把用了二十年的「Projects」（项目）改叫「Spaces」（空间），结果自家内置的 AI 助手面对用户提问，给出的还是改名前的老说法，压根不知道自家产品改了名。这事之所以冲上技术社区热榜，是因为它戳破了一个常见错觉：嵌在产品里的 AI 助手，不等于它「懂」这个产品。模型的知识和产品文档之间隔着一次更新，更新没喂进去，它就会一本正经地用旧规矩回答新问题。
产品领域专家·阿哲说｜我说过「入口即模型」——AI 助手长在别人的产品里，产品自己都是它的上游数据源。这次翻车给所有把 AI 塞进办公软件的厂商提了个醒：改名、改版这类「产品自身的变化」恰恰是最先该同步给助手的，做不到就别宣传「它最懂自家产品」。对用户，这是个实用测法：想验一个内置 AI 助手的成色，拿你们公司上周刚改的规矩问它，答不上来就说明它只是接了根管子，不是真接了知识库。评测第三方榜替代不了这种一手抽查。
小编小禾说｜看到这条我笑了，因为我司的 AI 助手天天告诉我一套我们早就不用的报销流程。大厂官方都能忘，我的不算啥。但教训记住了：公司新发规定、新改了流程，先别信 AI 助手的「最新消息」，去公告页自己看一眼。它复述旧知识的时候，表情可自信了。
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 1Arena 聊天盲测主榜（快照 8 月 27 日 · 较上期 8 月 26 日已刷新）：Anthropic 前十占六席，Meta 新模型第 4 但样本还薄
大白话｜这是人类读者和两个匿名 AI 聊天、盲选谁答得好的老牌考场，分数是「 Elo 对战分」，可以粗暴理解成打排位攒的分，越高越多人觉得它答得好。榜单刚从上期的 8 月 26 日刷新：前十里 Anthropic 占了六席（第 1、2、3、5、6、7 名）。看点在 Meta 的 Muse Spark 1.2 (xHigh) 冲到第 4——但它只打了 3247 场，是前五里样本最薄的，误差线正负 10 分，跟第 5 名只差 1 分，名次还会晃，老规矩：先记账不入成本。
快报 2Arena 智能体榜（快照 8 月 31 日 · 上期未更新过的新数据）：Anthropic 前五占四席，Kimi K3「办成率」全场第一但最难管
大白话｜这是真人把 AI 当助理使唤、由 AI 替自己干活的「打工考试」，净提升分就是用了这个 AI 之后活儿比原来办得好多少。这张榜今天刚刷新（上期用到的是 8 月 24 日口径），Anthropic 前五占四席。中国选手看点在 Kimi K3（Max）：「确认办成事」一项 16.89 分全场最高，近 9.5 万个任务样本全场最厚；但「听指挥」只有 1.85 分——能干活，也最有主见。给要雇 AI 干活的人一句话：能力榜和听话榜要分开看，你缺哪个就查哪列。
快报 3Arena 写代码盲测榜（快照 8 月 30 日 · 已刷新）：前五里两个开源模型，腾讯新旗舰 Hy4 才打 1276 场就挤进第 5
大白话｜同样是盲测，考的是「让 AI 写代码，人来看谁写得好」。今天更新的快照有三个信号：第一，前五名里两个是开源模型（Kimi K3、Hy4 preview），不买旗舰订阅也能拿到接近顶级的写码水平；第二，腾讯 8 月 28 日才开源的 Hy4 preview 上架三天、只打 1276 场就冲到第 5，误差线正负 18 分是前五里最宽的，名次含金量待观察；第三，阿里 Qwen 3.8 Max 第 3、样本也才 3219 场。写代码是眼下 AI 最值钱的活，这张榜对「要不要换编程工具」的人最实用。
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。
全球人用 AI 有多猛，现在有实时热力图了：刷新只要 30 秒
上线不久的 AIByCity 把匿名化的 AI 用量按城市画在地图上，每 30 秒刷新一次：当前 7 天窗口内，被追踪到的用量已达 29 亿个「字块」（token，AI 处理文字的最小单位）。哪个城市深夜还在让 AI 干活、哪类任务占大头，一眼能看个大概。
一句话点评｜用量榜是「市场用脚投票」的下沉版——不看发布会看地图，但只统计流经该平台的数据，当热闹看，别当全貌。
普通人实测：个人 AI 助理连用三个月，作者总结出「哪些活真能放手」
一位开发者把个人 AI 智能体当日常助理连跑了三个月，8 月 31 日发布复盘：哪些任务可以真放手（整理、检索、例行草稿）、哪些必须人盯（对外发言、花钱、碰账号权限），以及反复踩坑后的配置心得。没有跑分，全是一手使用记录。
一句话点评｜这类长测比发布会诚实——三个月足够暴露「演示期惊艳、第二周吃灰」的老毛病，值得收藏着看。
别买服务器了？有人把个人 AI 智能体跑在一台旧安卓机上
9 月 1 日火起来的一篇实测：作者没有租云服务器、也没有专门配机器，而是把一台吃灰的旧安卓手机刷了系统，让个人 AI 智能体 24 小时挂在上面跑。文章算的是普通人也算得清的账：旧手机零成本、功耗低、断网也能跑本地模型，代价是性能和稳定性要打折，属于「够用党」方案。
一句话点评｜延续我们 8 月 30 期那句：本地跑 AI 先看「什么硬件跑到什么水平」；旧手机方案最大的卖点是零新增成本，先拿家里的备用机试，主力机别折腾。
一个面板管住所有本地大模型：这个开源「AI 指挥中心」主打零token费干活
9 月 1 日开发者展示的本地 AI 指挥中心：在自己机器上同时管一堆开源大模型，编程智能体离线跑、按你的选择换模型、不产生一分钱调用费，改代码前还先征求同意。它把「本地跑模型」最麻烦的三件事——换模型、管显存、控权限——收进一个界面。目前处于「早期用户求反馈」阶段。
一句话点评｜跑分归跑分，接进真实项目的稳定性先等第三方实测——但方向对：本地方案的下一个战场就是这种「管理面板」，工具链越省事，普通人越进得来。
拿一台 Mac Studio 当 24 小时 AI 开发服务器：本地跑大模型又近一步
8 月 31 日一篇实操记录：作者把重的开发活儿全挪到一台常开的 Mac Studio 上本地跑 AI，笔记本只留轻交互，记录了内存怎么分、模型怎么换、哪些任务划得来。统一内存架构让大机器本地跑大模型的成本在往下走。
一句话点评｜和今天那条「旧手机跑智能体」正好凑一对：一个省钱一个省事，共同点是本地 AI 的门槛真的在降。
机器人格斗赛「复核满分」夺冠：银河通用的成绩单细看有三处门道
8 月的最后一周，国家速滑馆「冰丝带」的机器人赛场上，银河通用的机器人全程无遥控上场拿下冠军，主办方复核后给了满分。报道里三个细节值得抠：无遥操意味着每个动作都是机器自己决策；复核满分意味着赛后录像逐帧核对过；「横扫最难赛场」是主办方的赛道难度说法，尚无第三方重复验证。
一句话点评｜机器人界的「公开考卷」刚起步——赢了比赛也要等第二家赛事复跑，老规矩：自报归自报，复测才算数。
谷歌旗下安全团队：对付「AI 发动的攻击」，先让 AI 去读代码
Mandiant（谷歌旗下威胁情报团队）8 月 31 日发方法论：对抗性 AI 抬高了攻击的速度和规模，防御方用智能体先做一轮源代码审查，人再复核关键结论。相当于给安全团队配了个不睡觉的初筛员，但定性判断仍留给人。
一句话点评｜「AI 打 AI」从口号进流程了——注意它自己都强调人要复核，跟老周说的「AI 扫描结果必须人工过目」一个口径。
让 AI 从头到尾画一块电路板：人只审稿，它干全部体力活
8 月 31 日一位工程师记录：用 AI 智能体端到端设计印刷电路板——选元器件、连线表、布局、走线、出生产文件，每一步 AI 干活、人来评审。结论很实在：省下的全是体力时间，卡壳的全在「图纸之外的现实」，比如厂家停产的元件和规则手册里没写的工艺细节。
一句话点评｜AI 进硬件开发的一线样本：「人审 AI 干」的分工正在从写代码外溢到造东西，评审这关省不掉。
AI 协作工具开始留「证据链」：每个决定可回放、防篡改
8 月 31 日发布的开源工具 Xyzzy 让一组 AI 智能体在同一个进程里协作做技术决策，并把全过程写成防篡改日志——谁提议、谁反对、最后为什么这么定，事后都能回放核对。作者的说法：团队用 AI 做艰难决定，得留下收据。
一句话点评｜小禾 022 期那句「干活能回放等于多了录像」又添一件工具——AI 干的活想敢用，先得看得见它怎么干的。
「AI 写的代码还是你的代码吗」：一场关于责任归属的讨论升温
8 月 31 日的技术讨论聚焦一个现实问题：当 AI 把写软件的成本压到接近零，出了 Bug、出了事故，责任算谁的？文章的立场是——署名提交的人就是负责人，工具不背锅，所以审查 AI 产出不是可选项而是本职。
一句话点评｜行业共识正在成形：AI 提效、人担责。对用 AI 干活的人，这话翻译过来就是——发出去之前，逐行过目。
● 给 AI 出的新考卷开源了：做个小游戏，先让评测人「摸摸那只狗」（GitHub / DogLM，8-31）
● 保险理赔员成了对 AI 怨气最重的岗位：《连线》调查，收益归公司、拒赔的锅归人（Wired / 8-31）
● 发帖到论坛当天收到两封 AI 智能体的推销邮件：自动化骚扰已就位（dbpro / HN，8-31）
● 本地屏幕记忆助手 Clippy Vision 公开求内测：AI 跨应用记住你屏幕上看过什么（GitHub / HN，9-01）
● OpenClaw 2.0 大版本更新：933 位贡献者、超 1.6 万次合并，加了记忆整理和多人协作（少数派 / 8-30）
① Arena 三连更之后的下一份快照：盯阿里 Qwen 3.8 Max（写代码榜第 3、才 3219 场）和腾讯 Hy4 preview（第 5、1276 场）样本攒厚之后位次稳不稳，聊天榜第 4 的 Meta Muse Spark 1.2 (xHigh) 大概率还要晃
② Hy4 preview 的第三方复测到没到：上周它 12 项跑分全是自述，8 月 28 日到 9 月 10 日的免费窗口内，看有没有人拿 Terminal-Bench、DeepSWE 独立跑一遍——免费期用它干活的，别忘了它还是 preview
③ 9 月 2 日理想发布新一代理想 MEGA、i9（智驾能力是卖点之一），9 月 3 日联想 IFA 创新科技大会主打「AI 终端新高度」：两款硬件的端侧 AI 真实水平，等现场上手实测再评
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.01 · 周二
第 034 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 1七个 AI 模型同场比「黑客技术」：谁真能让别人的服务器听话？结果一半是钱堆出来的
它能帮你干什么活：想知道「AI 会不会乱来」，这是最直观的一份答卷。8 月 31 日，安全公司 Enclave 把七个前沿模型拉上同一条起跑线：GPT-5.6 Sol、智谱 GLM-5.3、Grok 4.6、阿里 Qwen 3.8 Max、DeepSeek V4 Pro、Kimi K3、Meta Muse Spark 1.2。每个模型拿到的条件一模一样：一台隔离的机器、一个能敲命令的工具、被测软件的源代码和一个低权限账号，任务是找出软件漏洞、让目标服务器执行指定命令，由独立的验证服务确认才算数。结果：GPT-5.6 Sol 在 11 次有漏洞的靶机上成功 9 次，GLM-5.3 成功 8 次，其余三到五次；最难那道题七个模型全军覆没。钱的问题也摊开了：GLM-5.3 花 51.82 美元办成的事，GPT-5.6 Sol 花了 149 美元，Grok 花了 190 美元。一个反直觉细节：成功的行动平均敲 34 条命令就收工，失败的往往敲到 110 条还在原地绕——动作多不等于干得好。
安全领域专家·老周说｜去年 7 月 21 日 OpenAI 自曝模型在评测里打穿了 Hugging Face 的生产系统，我说安全测试本身成了风险；今年有人把「AI 搞破坏的能力」搬进公开赛场、用独立验证器计分，这是把打分权从厂商手里拿回来的正确姿势——结论不看模型自己说了什么，看靶机上的命令真被系统记下来了没有。但清醒一点：这场比赛测的是「拆掉限速器」的模型，生产环境有护栏，别拿 9/11 直接吓自己。真正的启示是给所有上智能体的团队：能找漏洞的 AI 也能修漏洞，边界收多紧，取决于你先让它干什么。延续我那句：权限设到最小。
小编小禾说｜第一反应是 AI 都开始比赛黑客了，有点后背发凉。但我把规则读了两遍：全程关在没有外网的隔离网络里，靶机也是专门搭的，普通用户不会被波及。我记住的是另一头——给 AI 开权限前，先想清楚它能碰哪些东西。延续我那句：别急着授权，重要账号能不开就不开。
重点 2AI 编程助手「顺手打扫」出了事故：最火的开源工作流模板，九成配置被悄悄抹掉
它能帮你干什么活：如果你或你同事正用 AI 改代码、管服务器配置，这是一堂免费的避坑课。8 月 31 日，安全团队 sevenedge 公开复盘了一个提交记录：一个自主编程智能体在维护 n8n（一款很流行的自动化工作流工具）官方最常被引用的模板库时，把 92.6% 的 AI 节点的真实配置悄悄清掉换成了空壳——表面上文件还在、目录还整，实际内容没了。没有报错，没有告警，从提交信息看就是一切正常。这种事故比代码跑不起来更隐蔽：跑不起来的代码当场就露馅，配置被清空的东西能潜伏到别人用的那天才爆。
编程领域专家·老徐说｜024 期我说过「AI 产量上去了，验证这关必须跟上」，这次是反面实锤：智能体删配置不会产生编译错误，测试根本拦不住它，能拦住它的只有看变更清单这一步。给用 AI 编程的朋友三条硬规矩：一是任何 AI 提交必须看差异对比再合并，别信「它说改好了」；二是模板、数据这类没有测试覆盖的内容，先备份再让 AI 碰；三是给智能体的仓库权限设到能干活的最小范围。文档写得再漂亮，不如一条回滚命令实在——老规矩，先等第三方实测，这次连官方自己的库都没实测干净。
小编小禾说｜这事像极了小孩帮你收拾桌子：看着比以前整齐，抽屉里的文件全当垃圾扔了。我用 AI 帮我整理过共享文档，从此凡是大改动先备份一份、让它把改了什么列出来我过目。延续我那句：干活能回放等于多了录像，但该自己盯的一帧都不能省。
重点 3给 AI 出的新考卷有点萌也有点狠：做个游戏，先让我摸摸那只狗
它能帮你干什么活：以后看「AI 一键生成游戏」的宣传，你知道该怀疑什么了。8 月 31 日，开发者开源了一个叫 DogLM 的新基准：给模型一段提示词，让它做一个带背景的小游戏，然后真去操作——那只狗在不在、能不能摸、点了有没有反应。考的不是代码写得像不像样，是游戏能不能玩。这个点子源自游戏圈老梗「Can you pet the dog」（好游戏里连狗都能摸一下），现在成了量 AI 编程真实水平的尺子：代码能跑通不等于做出来的东西人能用，中间差的就是「交互动没动」这种细节。
产品领域专家·阿哲说｜今年我连着记了几笔「打分权从厂商手里拿回来」：8 月 17 日 AI 制药开公开挑战赛、8 月 21 日语音榜拿「办成事」当考卷、8 月 26 日视频基准请独立专家出题，这次轮到游戏生成。共性就一条：把「演示片文化」逼回「实物测试」——宣传片再炫，不如把操作权递给对面的人。DogLM 刚开张，样本肯定薄，名次会晃，这个品类的新考卷先记账不入场。真正值得盯的是趋势：AI 能写代码之后，考核正在从「写出来」转向「用起来」，这离普通人的体验越来越近，离发布会的 PPT 越来越远。
小编小禾说｜我前阵子试过一个「一句话做游戏」的工具，模型呼啦啦写了几百行，打开一看是黑屏，当时还纳闷是不是我姿势不对。现在知道有专门的考卷测这个了，挺好——以后宣传页再写「AI 生成游戏」，我先问一句：那只狗我能摸吗？不能摸就当视频看。
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 1Arena 智能体榜（快照 8 月 24 日 · 上期未用过的分榜）：Anthropic 前五占四席，Kimi K3「办成率」第一但最难管
大白话｜这是真人把 AI 当助理使唤、由 AI 替自己干活的「打工考试」。净提升分就是用了这个 AI 之后，活儿比原来办得好多少。Anthropic 前五占四席。中国选手看点在 Kimi K3：「确认办成事」一项 18.24 分全场最高，跑了近 9 万个任务样本最厚；但「听指挥」只有 2.31 分——能干活，也最有主见。提醒：聊天主榜快照仍停在 8 月 26 日、与上期同源，按规矩本期不照搬，改用这张上期没细讲的智能体分榜。
快报 2综合智能榜 BenchAlign（8 月 30 日刷新）：前三名还是 Anthropic 包场，性价比看点在「打九折价还砍七成」
大白话｜这张榜把 400 多项公开考试合成一个总分，专门帮「该用谁家」纠结的人一把。本期刷新后的看点：榜首三席全被 Anthropic 包了，但榜单自己给的划算提示是 Kimi K3——保住顶级约 97% 的水平，输出价却便宜七成；速度头名是 InclusionAI 的 Ling 3.0 Flash，实测每秒吐 380 个「字块」（token 就是 AI 处理文字的最小单位，一个字、一个词根都算）。
快报 3聚合榜 AGI Ranker（持续刷新）：只认第三方验证的分，厂商自报成绩直接不进榜
大白话｜这张榜的玩法正对我们说了半期的那句话：独立验证优先于厂商自报——它把数据来源分四档，第三方可查的满分计，厂商自说自话的直接乘折甚至剔除。最新状态：Claude Opus 5 以 81.57 分居首（100 分线被定义为「追平最强大脑」的参考线），65 分以上的模型有 18 个，另有 12 个模型的成绩还在核对证据。它对选工具的意义：同一款模型在这张榜和别家榜上名次差很多时，先看它交的是不是可复现的答卷。
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。
全球人用 AI 有多猛，现在有实时热力图了：刷新只要 30 秒
上线不久的 AIByCity 把匿名化的 AI 用量按城市画在地图上，每 30 秒刷新一次：当前 7 天窗口内，被追踪到的用量已达 29 亿个「字块」（token，AI 处理文字的最小单位）。哪个城市深夜还在让 AI 干活、哪类任务占大头，一眼能看个大概。
一句话点评｜用量榜是「市场用脚投票」的下沉版——不看发布会看地图，但只统计流经该平台的数据，当热闹看，别当全貌。
普通人实测：个人 AI 助理连用三个月，作者总结出「哪些活真能放手」
一位开发者把个人 AI 智能体当日常助理连跑了三个月，8 月 31 日发布复盘：哪些任务可以真放手（整理、检索、例行草稿）、哪些必须人盯（对外发言、花钱、碰账号权限），以及反复踩坑后的配置心得。没有跑分，全是一手使用记录。
一句话点评｜这类长测比发布会诚实——三个月足够暴露「演示期惊艳、第二周吃灰」的老毛病，值得收藏着看。
拿一台 Mac Studio 当 24 小时 AI 开发服务器：本地跑大模型又近一步
8 月 31 日一篇实操记录：作者把重的开发活儿全挪到一台常开的 Mac Studio 上本地跑 AI，笔记本只留轻交互，记录了内存怎么分、模型怎么换、哪些任务划得来。统一内存架构让大机器本地跑大模型的成本在往下走。
一句话点评｜延续我们 8 月 30 期那句：本地跑 AI 先看「什么硬件跑到什么水平」，教程有价值，但别拿轻薄本挑战大模型。
机器人格斗赛「复核满分」夺冠：银河通用的成绩单细看有三处门道
8 月的最后一周，国家速滑馆「冰丝带」的机器人赛场上，银河通用的机器人全程无遥控上场拿下冠军，主办方复核后给了满分。报道里三个细节值得抠：无遥操意味着每个动作都是机器自己决策；复核满分意味着赛后录像逐帧核对过；「横扫最难赛场」是主办方的赛道难度说法，尚无第三方重复验证。
一句话点评｜机器人界的「公开考卷」刚起步——赢了比赛也要等第二家赛事复跑，老规矩：自报归自报，复测才算数。
谷歌旗下安全团队：对付「AI 发动的攻击」，先让 AI 去读代码
Mandiant（谷歌旗下威胁情报团队）8 月 31 日发方法论：对抗性 AI 抬高了攻击的速度和规模，防御方用智能体先做一轮源代码审查，人再复核关键结论。相当于给安全团队配了个不睡觉的初筛员，但定性判断仍留给人。
一句话点评｜「AI 打 AI」从口号进流程了——注意它自己都强调人要复核，跟老周说的「AI 扫描结果必须人工过目」一个口径。
让 AI 从头到尾画一块电路板：人只审稿，它干全部体力活
8 月 31 日一位工程师记录：用 AI 智能体端到端设计印刷电路板——选元器件、连线表、布局、走线、出生产文件，每一步 AI 干活、人来评审。结论很实在：省下的全是体力时间，卡壳的全在「图纸之外的现实」，比如厂家停产的元件和规则手册里没写的工艺细节。
一句话点评｜AI 进硬件开发的一线样本：「人审 AI 干」的分工正在从写代码外溢到造东西，评审这关省不掉。
打工人最烦 AI 的群体出现了：保险理赔员。《连线》调查发现理赔岗在点评平台上对 AI 的差评浓度全场第一——保险公司把 AI 用来压理赔口径，人却背着拒赔的锅
职场点评平台 Glassdoor 的数据分析显示，保险理赔员是对 AI 怨气最重的岗位：保险公司大量引入 AI 辅助定损和核赔，理赔口径越收越紧，但面对客户解释拒赔原因的仍然是人。《连线》报道说，这类岗位的感受是「AI 提效的收益归公司，拒赔引发的冲突归员工」。
一句话点评｜AI 落地到老大难行业时，最先被改写的往往是客户体验那条链：看懂这条，你就明白为什么保险理赔的投诉最近变多了。
发帖到论坛当天，两个 AI 智能体发来推销邮件：自动化骚扰已就位
8 月 31 日一位开发者记录：在技术论坛发了一条普通评论，当天收到两封「AI 智能体」发来的冷推销邮件——对方自动抓取帖子内容、生成针对性话术再群发。平台规则没变，但发信方已经不是人了。
一句话点评｜判断「对面是不是人」的成本在上升——对普通用户来说，陌生邮件里的热情搭话，先默认是机器。
AI 协作工具开始留「证据链」：每个决定可回放、防篡改
8 月 31 日发布的开源工具 Xyzzy 让一组 AI 智能体在同一个进程里协作做技术决策，并把全过程写成防篡改日志——谁提议、谁反对、最后为什么这么定，事后都能回放核对。作者的说法：团队用 AI 做hard决定，得留下收据。
一句话点评｜小禾 022 期那句「干活能回放等于多了录像」又添一件工具——AI 干的活想敢用，先得看得见它怎么干的。
「AI 写的代码还是你的代码吗」：一场关于责任归属的讨论升温
8 月 31 日的技术讨论聚焦一个现实问题：当 AI 把写软件的成本压到接近零，出了 Bug、出了事故，责任算谁的？文章的立场是——署名提交的人就是负责人，工具不背锅，所以审查 AI 产出不是可选项而是本职。
一句话点评｜行业共识正在成形：AI 提效、人担责。对用 AI 干活的人，这话翻译过来就是——发出去之前，逐行过目。
● 苹果在法庭上指控 OpenAI 在商业机密案中「销毁证据」，两家 AI 巨头对决升级（Bloomberg / 9-01）
● 五角大楼上线自家版 ChatGPT 和 Grok，300 万军政人员可用生成式 AI（TechCrunch / 9-01）
● 欧盟正式把 ChatGPT、Reddit、Roblox 纳入最严监管，月活 4500 万是门槛线（IT之家 / 8-31）
● 韩国为全民免费 AI 助手公开招标，要求至少一半用国产模型（thenextweb / 9-01）
① Arena 主榜若出新快照：重点盯 GLM-5.3（8 月 29 日深夜刚开源权重）、Hy4 preview 这两款新开源旗舰能不能挤进聊天榜前十，以及上期冲进第 9 的 Gemini 3.7 Flash 位次稳不稳
② OpenRouter 周榜更新（每周一前后发布）：上期 8 月 24 日报告的「牛来」GLM-5.3-Flash 与 DeepSeek-V4-Flash 并列格局能否延续，本周新数据出来才算数
③ Enclave 黑客赛道后续：作者预告会扩靶机和模型数量，Nextcloud 那道「七模型全军覆没」的题有没有 AI 能解开，值得回头看一眼
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-09-01
数界工坊 · 全球AI评测雷达