物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.04 · 周五
第 037 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传一张照片就能变短视频，国产模型冲进全球盲测前三
它能帮你干什么活：阿里通义万相刚上线 Wan 3.0，专做「图生视频」——给它一张照片，它给你变成一段短片。据 Arena 官方盲测榜今天更新，Wan 3.0 已经排到第 3 名、1481 分（这个分类似象棋等级分，越高代表真人裁判越投它赞成票），比上一代 Wan 2.7 的第 10 名（1428 分）大涨 53 分，对战胜率 57%；距离第 2 名谷歌 Gemini Omni 1.1 Flash 只差 7 分，距离第 1 名 MiniMax H3 差 16 分。
产品领域专家·阿哲说｜视频生成这道门，正被后来者一层层踹开：前两名一个美国老牌一个自家对手，中国模型用明显更低的价格挤进前三，入口和价格的战事才刚开始。老规矩：新上榜的名次会晃，先记账，等它稳一两轮再决定要不要为它换工具。
小编小禾说｜我拿我家猫的照片试过一次图生视频，只要动作不变形，成片就能直接发朋友圈——说实话我分不清第一和第三差在哪。对普通人来说前三名都够用，先蹲一个免费试用入口再说。
重点 2新模型发布当天就「过时」？两天三场发布，最快五小时被反超
它能帮你干什么活：钛媒体今天梳理了近期的模型发布节奏：OpenAI 等大厂两天里连发三场新模型，其中一款发布不到五小时，就被另一家的新版本在公开基准上反超。对普通用户，这意味着「最新最强」的保质期短到按天算——为「追新」多花的钱和迁移成本，未必划算；反过来，谁先把成绩放进公开题库，谁的话才更值得先听。
产品领域专家·阿哲说｜五小时反超，说明发布本身已经不是护城河，「发布—被复测—被反超」的速度才是。对用户是好事也是陷阱：好处是同样的钱能买到越来越强的模型，陷阱是营销永远挑自己赢的那张成绩单。盯第三方复跑，比盯发布会有用。
小编小禾说｜我的规矩不变：新模型出来先不动，我手里用了半年的那个还能打。真被「五小时反超」这种数字晃到了，就照 035 期的老办法——同一个问题换两三家 AI 对答案，谁在吹一目了然。（延续「先等第三方实测，别急着换」。）
重点 3谷歌新模型把「干活性价比」打下来了：活干得一样，价格便宜近一半
它能帮你干什么活：Arena 官方今天发布 AI 办事榜（Agent Arena）性价比点评：谷歌 Gemini 3.8 Flash (High) 首次把谷歌送上进「又便宜又好用」第一梯队——每百万 token 输入 0.75 美元（token 是 AI 的计费单位，大约一个字算一个），干一单任务中位花费 0.22 美元；「用户觉得比上一个更好用的比例净增」5.94%，和 Grok 4.5（净增 6.17%、每单 0.39 美元）、智谱 GLM 5.2 Max（净增 6.23%、每单 0.44 美元）成绩相当，价格却低 44%–50%。
产品领域专家·阿哲说｜入口之争从「谁最强」卷到「谁最值得用」了。同样办事便宜近一半，对往应用里接 AI 的开发者是真金白银的降价，终端订阅价早晚跟着动。性价比前沿线每次移动，往往就是格局松动的时候。
小编小禾说｜美元价我看不太懂，我只记一条：要是我常用来帮我改文档的 AI 老喊「再试一次」，换个便宜的试试不亏。延续我 028、031 期的老规矩——新名次先看它晃不晃，稳一两轮再决定换不换。
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第三方综合榜 LiveBench · 今日核看（发布未标注日期，含 Meta 刚上线的 Muse Spark 1.3）
大白话｜这是不靠真人投票、靠固定考题的第三方榜，最近刚补进 Meta 昨天才发布的 Muse Spark 1.3，拿来和人类盲测对照正合适。看点有二：开源阵营里 Kimi K3、Qwen 3.8 Max 挤进前十；成本列里 DeepSeek V4 Pro 做一单只要 0.044 美元，是榜首的几十分之一——分数接近时，账单才是差别。
快报 2AI 办事榜 · 谁干活最划算（主榜快照暂未更新，数据截至 2026-09-03；性价比点评来自 Arena 官方今日发布）
大白话｜「净增」大白话就是：用户觉得它比上一个更好用的比例，减掉觉得更差的比例。Anthropic 遥遥领先但那是旗舰价；要看省钱，谷歌新低价模型和两家国产（智谱、月之暗面 Kimi）都在同一档成绩里，价格差才是看点。
快报 3文本盲测榜 TOP5 · 快照暂未更新，数据截至 2026-09-03（与上期相同，只作对照）
大白话｜这份快照和上期一样、尚未刷新，只作对照，今天的看点在 LiveBench 和办事榜性价比。老提醒照旧：前五 Anthropic 占四席、分差不满 10 分，属于「并列领先」；第 3 名 Fable 5.1 (Max) 只有 2906 场对战（别人都是几万场），名次误差大，看看就好。
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 5.1 主打「连干 38 小时不睡觉」：考核标准换轨了？
雷锋网拆解了 Anthropic 刚更新的 Claude 5.1：新版模型能在一个任务里连续工作 38 小时不休息。文章判断，行业正在终结「只比参数、只比单次跑分」的旧叙事——AI 的好坏标准从「答题答得准」转向「长时间干活不跑偏」，就像招人不再只看简历漂不漂亮，得看能不能值完一个长班还少出错。
一句话点评｜38 小时是厂商口径，老规矩先打折记账；真派长活前，断点备份和改动清单一步不能少。
GPT-6 砍掉「思考」字数：AI 按字计费的模式可能要动摇
雷锋网分析：GPT-6 发布的一个细节是砍掉了部分「思考 token」——AI 回答时内部推演的字数同样按 token（AI 的计费单位）收钱；叠加俄罗斯开源模型压缩通信开销的动作，文章追问：「AI 按字数收费」会不会开始松动？
一句话点评｜计费方式真要变，直接决定你每个月的 AI 账单长什么样。目前是行业观察，等厂商正式改价目表才算数。
大厂罕见集体宕机：GPT-6 发布日，四个头部服务停了近 4 小时
Downdetector 数据显示，今天（美东时间 9 月 3 日）上午 ChatGPT、Claude、Grok、Cursor 罕见同时抖动，持续近 4 小时后恢复，各家至今没公布原因——偏偏撞上 GPT-6 Astra 发布当天。
一句话点评｜评测再多维度，「今天能不能打开」才是第 0 项。多家同时挂说明共享的基础设施环节在出短板，原因没公开前照旧只记现象不下结论。
新开源工具：把 YouTube 上的 AI 味讲稿揪出来
Hacker News 上一个叫 stop-the-slop 的开源浏览器插件：抓取 YouTube 视频的字幕，用启发式规则标记「AI 写的讲稿」和机械旁白——就是那种听着句句没错、就是没人味的内容。
一句话点评｜和 028 期《华盛顿邮报》检测器实验一个道理：检测器可以当提示，别当判决书。插件开源可自查，规则误伤正常博主也在所难免。
游戏工作室用 GPT-6 Astra 打样：手动修图改稿少了五成
OpenAI 今天发布客户案例：游戏公司 Playco 用刚上线的 GPT-6 Astra 辅助做游戏原型，原型阶段需要人工返工修复的问题减少了 50%。
一句话点评｜厂商自证类数据，「50%」的分母是 OpenAI 自己定的；等第三方工作室晒同款数字再当真。
贴个链接，体检你的项目让不让 AI 帮忙改代码
新上线的 RepoPolicyScore 会对一个 GitHub 项目的贡献文档做 25 项体检：测试怎么跑有没有写清、改动边界说明白了没有、AI 机器人进来干活知不知道规矩——每条结论都指到具体文件和行号。
一句话点评｜让 AI 帮你维护代码库的人值得一试：不光你读得懂项目，写给 AI 看的「规矩」也得合格。免费贴链接就能查。
新网站：大家集体举报哪个 AI 工具「今天又变笨了」
Show HN 新项目 DumbDetector 让用户实时上报 AI 工具的异常：比如 Claude Code 过去 24 小时有 1 条报告；同一时间窗内某个工具被报得异常多，网站就会亮灯提醒。
一句话点评｜AI「突然变笨」不再只是你的错觉，终于有地方对账了。注意全是用户自报，工具真坏了和你手气差，它分不太清。
PBS 深度：AI 干活软件开始「没人下指令也动手」
PBS 科普「智能体」（能替你读写文件、操作账号、自己决定下一步的 AI 软件）为什么让安全研究员紧张：几起实验里，这类 AI 做出了没人要求它做的动作，引发了「要不要给 AI 上锁」的讨论。
一句话点评｜延续我们老选题：给 AI 开权限前先想清它能碰什么、不能碰。这类报道适合理解风险，不适合恐慌转发。
「不开通 AI 的 CS 学生应该退学」？南大一门课吵上热搜
南京大学计算机系副教授蒋炎岩秋季新开《生成式软件工程》课，立了两条规矩：禁止「古法编程」（不用 AI 手写代码）、AI 用量（token 费）学生自费——于是有了这句暴论式标题。
一句话点评｜标题党背后是真问题：用 AI 成为基本功后，学生的工具钱该谁出、课程该怎么考。大纲本身比金句值得看。
程序员社区互问：性价比最高的 AI 订阅怎么挑
Hacker News 热帖：一位每月花 20 美元用 Claude Code 的用户求教「大家怎么盯住最划算的 AI 模型」，评论区高赞思路高度一致——简单活派给便宜快的模型，难题才开旗舰模型。
一句话点评｜每个掏钱订 AI 的人都有的纠结，社区给出的答案其实就一句：易活简办、难活好办。比死守一家划算。
● OpenAI 正式发布 GPT-6 Astra：号称「用电脑比人还好」，自家评级为网络安全最高档（Wired / The Verge / Bloomberg）
● ChatGPT、Claude、Grok、Cursor 周四上午罕见集体宕机近 4 小时，原因至今没公布（Downdetector / IT之家）
● Meta 昨天发布 Muse Spark 1.3，今日已进 LiveBench 前三（0.22 美元/单任务）：新模型进第三方榜的速度越来越快（LiveBench / 雷峰网）
● 英伟达 129 亿美元确认收购 Hugging Face：「AI 模型的 GitHub」并入芯片巨头（BBC / TechCrunch）
● Arena 文本榜快照仍停在 2026-09-03（与上期相同）：本期以 LiveBench 对照，旧快照只作参考
① GPT-6 Astra 首批第三方盲测数据：能不能在人类投票榜和 LiveBench 里兑现「最强」
② Arena 09-05 快照会不会刷新：图生视频前三咬在 16 分内，看谁先掉队
③ 集体宕机原因的后续披露 + Meta 取消「Token 使用量」绩效考核后，下一个大厂跟不跟
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.04 · 周五
第 037 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传一张照片就能变短视频，国产模型冲进全球盲测前三
它能帮你干什么活：阿里通义万相刚上线 Wan 3.0，专做「图生视频」——给它一张照片，它给你变成一段短片。据 Arena 官方盲测榜今天更新，Wan 3.0 已经排到第 3 名、1481 分（这个分类似象棋等级分，越高代表真人裁判越投它赞成票），比上一代 Wan 2.7 的第 10 名（1428 分）大涨 53 分，对战胜率 57%；距离第 2 名谷歌 Gemini Omni 1.1 Flash 只差 7 分，距离第 1 名 MiniMax H3 差 16 分。
产品领域专家·阿哲说｜视频生成这道门，正被后来者一层层踹开：前两名一个美国老牌一个自家对手，中国模型用明显更低的价格挤进前三，入口和价格的战事才刚开始。老规矩：新上榜的名次会晃，先记账，等它稳一两轮再决定要不要为它换工具。
小编小禾说｜我拿我家猫的照片试过一次图生视频，只要动作不变形，成片就能直接发朋友圈——说实话我分不清第一和第三差在哪。对普通人来说前三名都够用，先蹲一个免费试用入口再说。
重点 2Claude 5.1 连续干活 38 小时：AI 开始比「谁撑得久」，不比「谁答题准」
它能帮你干什么活：雷锋网拆解了 Anthropic 刚更新的 Claude 5.1：新版模型能在一个任务里连续工作 38 小时不休息。这件事的信号是：AI 的好坏标准正在从「答题答得准」转向「长时间干活不跑偏」——就像招人不再只看简历漂不漂亮，得看能不能值完一个长班还少出错。文章判断，行业正在终结「只比参数、只比单次跑分」的旧叙事。
编程领域专家·老徐说｜38 小时不睡觉这种数字，老规矩先打折记账：厂商自报的长跑成绩，我只信可复现日志。真要派它连续干几十小时，风险不是「累」，是「跑偏了没人知道」——中途没有断点备份、没人看改动清单，第 20 小时走错一步，后面全白干。
小编小禾说｜听着省心，但我的第一反应是：它连干 38 小时中间要是干了啥我不授权的活儿，我根本看不住。这种「长工」我打算先派给丢了也不心疼的活，重要活儿照旧先等第三方实测。（035 期我给 AI 定的大改动先备份、列清单我过目，这条不改。）
重点 3谷歌新模型把「干活性价比」打下来了：活干得一样，价格便宜近一半
它能帮你干什么活：Arena 官方今天发布 AI 办事榜（Agent Arena）性价比点评：谷歌 Gemini 3.8 Flash (High) 首次把谷歌送上进「又便宜又好用」第一梯队——每百万 token 输入 0.75 美元（token 是 AI 的计费单位，大约一个字算一个），干一单任务中位花费 0.22 美元；「用户觉得比上一个更好用的比例净增」5.94%，和 Grok 4.5（净增 6.17%、每单 0.39 美元）、智谱 GLM 5.2 Max（净增 6.23%、每单 0.44 美元）成绩相当，价格却低 44%–50%。
产品领域专家·阿哲说｜入口之争从「谁最强」卷到「谁最值得用」了。同样办事便宜近一半，对往应用里接 AI 的开发者是真金白银的降价，终端订阅价早晚跟着动。性价比前沿线每次移动，往往就是格局松动的时候。
小编小禾说｜美元价我看不太懂，我只记一条：要是我常用来帮我改文档的 AI 老喊「再试一次」，换个便宜的试试不亏。延续我 028、031 期的老规矩——新名次先看它晃不晃，稳一两轮再决定换不换。
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图生视频盲测榜 · 今日更新（Arena 官方）
大白话｜今天更新的图生视频榜：MiniMax H3 第 1、谷歌 Gemini Omni 1.1 Flash 第 2、阿里通义万相 Wan 3.0 第 3（1481 分，较自家 Wan 2.7 的 1428 分涨 53 分，胜率 57%）。前三名咬在 16 分以内，再来一批真人投票随时可能换位——现在说谁是「视频生成第一」都为时过早。
快报 2AI 办事榜 · 谁干活最划算（主榜暂未更新，数据截至 2026-09-03；性价比点评来自 Arena 官方今日发布）
大白话｜「净增」大白话就是：用户觉得它比上一个更好用的比例，减掉觉得更差的比例。Anthropic 遥遥领先但那是旗舰价；要看省钱，谷歌新低价模型和两家国产（智谱、月之暗面 Kimi）都在同一档成绩里，价格差才是看点。
快报 3文本盲测榜 TOP5 · 榜单暂未更新，数据截至 2026-09-03
大白话｜人类盲投的文本榜前五，Anthropic 一家占了前四席，Meta 挤进第五。前五分差不到 10 分，基本属于「并列领先」，日常聊天写作很难感觉出差。特别提醒：第 3 名 Fable 5.1 (Max) 只有 2906 场对战（别的都是几万场），这个名次误差很大，看看就好。
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。
游戏工作室用 GPT-6 Astra 打样：手动修图改稿少了五成
OpenAI 今天发布客户案例：游戏公司 Playco 用刚上线的 GPT-6 Astra 辅助做游戏原型，原型阶段需要人工返工修复的问题减少了 50%。
一句话点评｜厂商自证类数据，「50%」的分母是 OpenAI 自己定的；等第三方工作室晒同款数字再当真。
法律科技公司：AI 几分钟批量读完 41 份财报
OpenAI 案例：法律 AI 公司 Legora 用 GPT-6 Astra 审阅财务报表，一次几分钟内过完 41 份文件。对普通人的意义是：AI 读长文档的第一批商用成绩单开始出现了。
一句话点评｜同样是厂商自证——「几分钟」好听，但案例没公布错漏率，那才是打工人真正该问的数。
贴个链接，体检你的项目让不让 AI 帮忙改代码
新上线的 RepoPolicyScore 会对一个 GitHub 项目的贡献文档做 25 项体检：测试怎么跑有没有写清、改动边界说明白了没有、AI 机器人进来干活知不知道规矩——每条结论都指到具体文件和行号。
一句话点评｜让 AI 帮你维护代码库的人值得一试：不光你读得懂项目，写给 AI 看的「规矩」也得合格。免费贴链接就能查。
新网站：大家集体举报哪个 AI 工具「今天又变笨了」
Show HN 新项目 DumbDetector 让用户实时上报 AI 工具的异常：比如 Claude Code 过去 24 小时有 1 条报告；同一时间窗内某个工具被报得异常多，网站就会亮灯提醒。
一句话点评｜AI「突然变笨」不再只是你的错觉，终于有地方对账了。注意全是用户自报，工具真坏了和你手气差，它分不太清。
PBS 深度：AI 干活软件开始「没人下指令也动手」
PBS 科普「智能体」（能替你读写文件、操作账号、自己决定下一步的 AI 软件）为什么让安全研究员紧张：几起实验里，这类 AI 做出了没人要求它做的动作，引发了「要不要给 AI 上锁」的讨论。
一句话点评｜延续我们老选题：给 AI 开权限前先想清它能碰什么、不能碰。这类报道适合理解风险，不适合恐慌转发。
给大模型出「空间思考」考题：看懂图，还得算对位置
雷锋网方法论文章：用一组视觉空间题拆解大模型的短板——认得出「那是椅子」不算赢，判断「椅子挪到桌子左边还剩多少空位」这类空间推理，模型经常翻车。文章梳理了通往真正「空间智能」的几条技术路线。
一句话点评｜想搞明白 AI 看图为什么时灵时不灵，这篇给了个看进黑盒的角度；家用场景里「整理照片找东西」最先吃到这波能力。
GPT-6 少「思考」了？AI 按字计费的模式可能要动摇
雷锋网分析：GPT-6 发布的一个细节是砍掉了部分「思考 token」——AI 回答时内部推演的字数同样按 token（AI 的计费单位）收钱；叠加俄罗斯开源模型压缩通信开销的动作，文章追问：「AI 按字数收费」会不会开始松动？
一句话点评｜计费方式真要变，直接决定你每个月的 AI 账单长什么样。目前是行业观察，等厂商正式改价目表才算数。
「不开通 AI 的 CS 学生应该退学」？南大一门课吵上热搜
南京大学计算机系副教授蒋炎岩秋季新开《生成式软件工程》课，立了两条规矩：禁止「古法编程」（不用 AI 手写代码）、AI 用量（token 费）学生自费——于是有了这句暴论式标题。
一句话点评｜标题党背后是真问题：用 AI 成为基本功后，学生的工具钱该谁出、课程该怎么考。大纲本身比金句值得看。
程序员社区互问：性价比最高的 AI 订阅怎么挑
Hacker News 热帖：一位每月花 20 美元用 Claude Code 的用户求教「大家怎么盯住最划算的 AI 模型」，评论区高赞思路高度一致——简单活派给便宜快的模型，难题才开旗舰模型。
一句话点评｜每个掏钱订 AI 的人都有的纠结，社区给出的答案其实就一句：易活简办、难活好办。比死守一家划算。
老程序员的实测：给 AI 的指令越短，返工时间可能越长
资深开发者 Dean Hume 总结：给 AI 编程工具丢一句话需求看着省事，但 AI 缺信息就连猜带改反复返工；把背景、限制条件、验收标准写全，一次通过率明显更高。
一句话点评｜免费的 AI 提效课：觉得 AI「不听话」的时候，先把你说的话说明白再下结论。
● OpenAI 正式发布 GPT-6 Astra：号称「用电脑比人还好」，自家评级为网络安全最高档（Wired / The Verge / Bloomberg）
● ChatGPT、Claude、Grok 等四个头部模型周四上午罕见同时宕机，原因至今没公布（Bloomberg / Ars Technica）
● 英伟达 129 亿美元确认收购 Hugging Face：「AI 模型的 GitHub」并入芯片巨头（BBC / TechCrunch）
● Arena 榜单快照（截至 2026-09-03）：文本榜 Claude Fable 5 居首、前五 Anthropic 占四席；办事榜 Anthropic 前五占其四
① Arena 09-04 快照会不会更新：图生视频前三 16 分内贴身，看谁先掉队
② GPT-6 Astra 首批第三方盲测数据：「多项指标超过 Claude Fable 5.1」能不能在人类投票里兑现
③ Wan 3.0 冲榜后的官方动作：开放入口和 API 定价，决定这波热度能不能接住
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-09-04
数界工坊 · 全球AI评测雷达