物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.07 · 周一
第 040 期
重点更新 3 条 · 双专家点评 ｜ 榜单快报 3 组 ｜ 板块精选 8 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 1Arena 第36周盲测周榜发布：国产模型扎堆冲进前端开发榜，阿里 Wan 3.0 杀进视频榜前三
它能帮你干什么活：想知道这周写网页、做视频该用哪个模型，看细分榜比看总榜有用。Arena（arena.ai）平台 9 月 7 日发布 2026 年第 36 周（8 月 31 日至 9 月 6 日）AI 大模型盲测排名：头部格局仍以海外模型为主，但一批国产模型在前端开发细分榜扎堆入榜，阿里视频生成模型 Wan 3.0 冲进视频榜前三。总榜决定「谁整体强」，细分榜才回答「我这件具体的活谁干得好」。
产品领域专家·阿哲说｜细分榜扎堆入榜比总分榜冒尖更值得记：说明国产模型不是撞对了一道题，而是在同一个工种类目上成建制地能打。9 月 4 日我就记过 Wan 3.0 图生视频盲测第 3、距榜首仅 16 分，这周周榜正式把它钉进前三，低价挤进来的门不会再自己关上。老规矩照旧：新上榜名次会晃，先记账不入成本，等它连稳两周再说换不换。
小编小禾说｜037 期我拿自家猫的照片试过图生视频，普通人确实分不清第一和第三名。现在 Wan 3.0 冲进前三还更便宜，那更要蹲它的免费入口了：反正效果我看不出差别，谁免费我用谁，这条选稿标准对普通人永远成立。
重点 2报馆点名「这段音频是 AI 合成的」，随后自己承认拿不出证据
它能帮你干什么活：下次刷到热门语音，别跟着喊「AI 合成」，先问一句检测报告在哪。9 月 7 日 Hacker News 热榜：《华盛顿邮报》指控知名主播 Piker 的一段音频是 AI 生成，却在文中承认没有证据。8 月 27 日我们报道过同一家报馆的文字检测器实验：读者自己正常写的文字照样被判「有 AI 味」。这一次它从「误判文字」升级成了「指控声音还自认无凭」。
安全领域专家·老周说｜028 期我对文字检测器说过，它只能当提示、不能当判决书；换成语音，门槛只会更高：误报率披露、多工具交叉验证、原始录音溯源，一个都不能少。真正要警惕的不是这一次误指控，而是「权威媒体加无证据标签」成为公共定性惯例——那之后任何对你不利的真实语音都可以被说成合成，说谎成本归零。
小编小禾说｜028 期我亲手玩过这家报馆的检测器，知道自己正常写也会被标 AI 味。现在它直接在版面上点名别人的声音是假的，又承认没证据。普通人记一条就够：没有检测报告的「AI 合成」指控，一律当猜测看，别转发。
重点 3独立开发者拿编程智能体「装修」每月游戏之夜：先改老游戏，别从零造新的
它能帮你干什么活：想知道 AI 写代码到底省不省事先看真实用户怎么用。独立开发者 mmazzarolo 的实录：靠编程智能体写掉大部分代码，和认识二十年的朋友把每月游戏之夜改成自改老游戏、自造本地对战小游戏的实验场——一个离谱点子二十分钟就能改成能玩的版本。他同时坦白：打磨成品仍然费血汗，AI 真正压低的是「试一个点子」的成本。
编程领域专家·老徐说｜这个样本比厂商 demo 值钱，因为验证的人就是玩家本身。两条可以直接抄：一是改现有代码库而不是从零起项目，边界清楚、输出可验证，考场得是自己认得的；二是 AI 的真实生产力在压缩试错成本，不在替代工程师。024 期我说产量上去了验证这关必须跟上，这篇文章里验证环节就是当场开一局，闭环短到家——普通团队学不了形，学得了这个思路。
小编小禾说｜我不动代码也看懂了：以前想玩个冷门玩法只能等大厂出，现在有点子就能先试试。但他原话承认做精致还得下血汗，所以别指望 AI 一夜做出能卖钱的游戏——先做出来给朋友玩，这一步的门槛真的被踩平了。
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 文本盲测 Elo 榜 · 快照 2026-09-07（榜单 9 月 2 日更新）
大白话｜Elo 就是下棋等级分：同一道题匿名分给两个模型回答，真人投票谁写得好，赢了涨分输了掉分。前五名 Anthropic 一家占了四席，Meta 的 Muse Spark 1.2 排第 5 是唯一的外人。两个细节：第 3 名 Claude Fable 5.1 (max) 只有 2906 场对战、分数波动区间正负 11 分，比老将们的区间宽出一倍，名次还没坐稳；第 2 名 Opus 4.6 (high) 攒了 7.2 万场投票，是头部里底子最实的。
快报 2Arena 编程盲测 Elo 榜 · 快照 2026-09-07（榜单 9 月 5 日更新）
大白话｜真人同题匿名投票比谁代码写得好。9 月 3 日刚发布的 GPT-6 Astra 以 1797 分守住榜首，甩开第二名 35 分——但它只有 1199 场对战样本，不到第三名的九分之一，新王椅子还晃。国产这边值得记：阿里 Qwen3.8-Max 两个版本分列第 4、第 6，月之暗面 Kimi K3 第 5，第 4 到第 6 名被国产连排占住。
快报 3Arena 智能体干活榜 + 视觉理解榜 · 快照 2026-09-07
大白话｜智能体榜不考聊天，考「把活办成」：让 AI 真去执行任务，按办成率、工具调用是否瞎编、命令出错后能否自己恢复来打分。前十里 Anthropic 占六席，OpenAI 的 GPT-5.6 Sol 排第 5，国产只有两家进前十——月之暗面 Kimi K3 第 7、腾讯 Hy4 preview 第 10。视觉理解榜（看图答题）8 月 27 日刚更新：Claude Fable 5 以 1313 分居首，阿里 Qwen3.8-Max 1300 分排第 3，离第 2 名只差 1 分。
8 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。
换上大模型的新 Siri，编辑用了一个夏天又放回角落：AI 变强了，习惯没变
苹果在 iOS 27 测试版里给 Siri 换上大模型：能索引手机里的短信、照片和日程。Wired 编辑 9 月 6 日发回访文：七月初认定它是「万能工具」，一个月后使用量慢慢回落，还是回去手动刷软件，手机天天打开的仍是另一家聊天应用。分析师意见分裂：有人赌 iPhone 用户信任默认软件，有人测试后反而用得更多。
一句话点评｜语音助手的分水岭不在模型多强，在有没有把你绕不开的场景焊死在开口上；工具用不用得起来，由一周后的使用频率说了算，不由发布会说了算。
「模型疲劳」开始流行：厂商发新版本越来越快，用户跟不动了
CNBC 9 月 6 日报道一种行业新情绪：Anthropic 刚更新完 Fable 和 Mythos 系列，Meta、谷歌连着推增强版，OpenAI 又发布了 GPT-6 Astra——实验室发布新版本的节奏越来越密，开发者和普通用户都开始「跟不动」，版本名字记不全、刚学会一个又出新的。
一句话点评｜对普通用户这反而是好消息：不用追着版本跑，等新工具攒够第三方评测、名次稳了再换，让他们打去。
微博 CEO 亲测华为 ADS 5.0：「完全不输特斯拉 FSD V14」
IT之家 9 月 7 日消息，微博 CEO 王高飞发文，以 10 年电动车老用户身份分享周末连开智界 R7 四五次、约 100 公里的体验：上车后摄像头自动调好座椅、方向盘和后视镜是第一个惊喜，辅助驾驶让日常通勤省了不少精力，他评价这套 ADS 5.0「完全不输特斯拉 FSD V14」。
一句话点评｜名人亲测和厂商数据一样都是一方面之词：智驾真实水平要看同路况第三方实测对拍，但真人里程反馈值得听，别当下单依据。
母婴 AI 智能体登上 Nature Medicine：一个模型同时预测孕产和新生儿结局
9 月 7 日 Hacker News 收录的论文：Mother-Child AI agent 把孕期与婴儿结局预测从「一次只盯一个指标」升级为多任务联合预测，现有模型往往依赖昂贵检查或影像，这个智能体试图用更常规的产检数据把多个风险一起算出来。
一句话点评｜模型能力发布登上顶刊，说明评测标准在升级——从「分数高」到「真能便宜又准地办成事」；离进诊所还早，先等更多机构复现。
多个大模型共用一本「特征词典」：给 AI 做横评的人动了新脑筋
arXiv 论文 SharedSAE 登上 9 月 7 日 Hacker News：研究者训练出一本跨语言模型共享的特征词典——不同家的模型可以用同一套可解释特征来「标注」，意味着以后比较两家模型的内部行为，可能不再各说各话。
一句话点评｜统一「体检指标表」是评测界的地基级工作，横向比较终于可能有共同语言；还是学术阶段，先等它做成公开工具。
给 AI 智能体上的「决策治理运行库」公开测试，接口冻结进 v0.70
PV-PP Runtime API 把「AI 下一步该执行哪个动作」的判断独立成一个运行库：496 个回归测试全过才冻结接口，并明确分工——运行库负责选择动作，宿主应用掌握真实世界的最终决定权，选择本身不改世界状态。
一句话点评｜「AI 提方案、环境说了算」符合最小权限思路；个人项目公开测试、没有第三方基准，先当方法论看。
免注册在线 AI 修图站托管热门模型「Nano Banana 2」：免费等于慢队列加仅限个人
PicEditor 9 月 6 日登上 Show HN：不用注册，上传照片一句话改图或文生图，最高支持 4K 输出；免费用户走普通队列速度较慢，付费才有高优先级队列和商用授权。注意它是第三方托管该模型，不是谷歌官方站点。
一句话点评｜免费工具先看授权条款再动手，商用图片尤其要看清楚——这条 8 月 8 日就写过，今天照样成立。
AI 视频去物上了「逐帧跟踪」：点一下运动员，后续画面全程抹除
Show HN 项目 Object Remover：在视频里给球员、logo、路人画个框，绿色遮罩逐帧锁定目标，之后模型把它从每一帧里抹掉。移动目标跟踪一直是视频修补里最难的一环，静态擦除早就普及了。
一句话点评｜擦移动物体和擦静止物体效果差距大，先拿自己拍的视频对拍，别看演示页就付费。
● Arena 第36周盲测周榜发布：国产模型扎堆入榜前端开发细分榜，阿里 Wan 3.0 冲进视频榜前三（IT之家，09-07）
● Arena 文本盲测 Elo 榜 Claude Fable 5 以 1507 分居首，前五 Anthropic 占四席；第 3 名 Fable 5.1 (max) 仅 2906 场投票、区间正负 11 分还没坐稳（Arena 快照 09-07）
● GPT-6 Astra 9 月 3 日发布后连守 Arena 编程榜榜首，Elo 1797 领先 35 分，但仅 1199 场对战样本，新王椅子还晃（Arena 快照 09-07）
● Arena 智能体干活榜前十 Anthropic 占六席，前十里仅有的国产是 Kimi K3（第 7）与腾讯 Hy4 preview（第 10）（快照 09-07）
● 阿里 Qwen3.8-Max 以 1300 分守住 Arena 视觉盲测第 3，距第 2 名仅 1 分（视觉榜 8 月 27 日刷新）
● 微博 CEO 王高飞亲测智界 R7 约 100 公里：「华为 ADS 5.0 完全不输特斯拉 FSD V14」——名人实测，听归听，下单前看第三方对拍（IT之家，09-07）
① Arena 编程榜 GPT-6 Astra 样本只有 1199 场，盯它投票攒够后第 1 还坐不坐得住；文本榜第 3 名 Fable 5.1 (max) 波动区间正负 11 分，样本过五千再看是否真进第一梯队
② 第 36 周周榜里扎堆入榜的国产模型（含 Wan 3.0）下周名次是延续还是回落，检验细分榜突破是不是一次性事件
③ GPT-6 Astra 尚未出现在 Artificial Analysis 智能指数上，等它进榜后和 Claude Fable 5.1 (max) 的 66 分正面对一次分差
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.07 · 周一
第 040 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 6 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被寄予厚望的新 Siri，编辑用了一个夏天又放回角落：AI 助手赢不了旧习惯
它能帮你干什么活：苹果在 iOS 27 测试版里把 Siri 换上了大模型 brains：它能索引你手机里的短信、照片和日程，翻出三年前的旧消息一句话搞定，答案质量也明显超过老版本。Wired 编辑 9 月 6 日发来回访：他七月初上手时认定这是「万能工具」，结果一个月后使用量慢慢回落，又回到手动刷 Instagram 和查店的旧习惯，还坦白手机上天天打开的是另一家聊天应用 Claude。分析师意见分裂：有人说 iPhone 用户反正信任苹果的默认软件、隐私换留存够用，也有测试者说自己反而用得更多了。
产品领域专家·阿哲说｜「入口即模型」的经典反例：有入口不等于有使用。苹果的底牌是系统级入口免费、本地内容可搜，这些外部聊天应用拿不到。但这位编辑的回落暴露了真正的分水岭：语音助手如果没有把你绕不开的场景焊死在开口上，模型再强也只能当更聪明的搜索栏。8 月 7 日我说过语音助手品类从此和大模型绑定、回不去了，现在补一句：方向回不去，用户回得去。候补名单机制和隐私信任才是苹果真正的产品。
小编小禾说｜我看懂了，就是 AI 变强了、人没改习惯。类似功能我在旧手机上试过去搜三年前的短信，它真搜到了，但我用了两次还是回去手动翻。以前 Siri 不聪明所以我不开口，现在聪明了但我想不到要问它。普通人的建议就一条：逼自己连用一周，用不起来不是你的错，是它还没长在你需求的路上。
重点 2报馆点名说「这段音频是 AI 合成的」，然后自己承认没有证据
它能帮你干什么活：9 月 7 日 Hacker News 热榜：《华盛顿邮报》指控知名主播 Piker 的一段音频是 AI 生成，却在文中承认拿不出证据。AI 声音检测的可靠性长期存疑：8 月 27 日我们报道过同一家报馆的文字检测器互动实验，读者自己正常写的文字照样被判「有 AI 味」。这次它从「误判别人」升级成了「指控别人还自认无凭」。对普通人的意义很直接：判断一段音频是不是 AI 合成，需要鉴定级别的证据链，检测工具只能当线索，不能当判决书。
安全领域专家·老周说｜「边界不清」这个结构性问题的媒体版：从「检测器认为可能」到「确认是 AI 伪造」中间隔着整条取证链，报馆一步跨过去了。028 期我对文字检测器说过，它只能当提示、不能当判决书，换成语音标准只会更高：误报率披露、多工具交叉验证、原始录音溯源，一个都不能少。真正要警惕的不是这一次误指控，而是「权威媒体加无证据标签」成为公共定性惯例，那之后任何不利的真实语音都可以被说成合成，说谎成本归零。
小编小禾说｜028 期我玩过这家报馆的文字检测器，学会「自己正常写也会被标 AI 味」。现在它升级成直接在版面上点名别人的声音是 AI 做的，自己又承认没证据。对普通人的教训：以后刷到热门语音，别跟着喊「AI 合成」，先问一句检测报告在哪。没有报告，就都当猜测看。
重点 3独立开发者用 AI 把游戏之夜改了个遍：先让智能体改老游戏，别造新的
它能帮你干什么活：9 月 5 日发布、7 日凌晨登上 Hacker News 热榜的博主实录：这位开发者靠编程智能体写掉大部分代码，和认识二十年的朋友把每月游戏之夜改成了自改老游戏、自造本地对战小游戏的实验场。十年前的选择是别人做好什么你玩什么，现在一个离谱点子二十分钟就能改成能玩的版本，他说打磨成品仍然费血汗，AI 真正压低的是「试一个点子」的成本。
编程领域专家·老徐说｜这个样本比厂商 demo 值钱：真实用户用编程智能体干的是自己判断得了对错的小活。两个工程细节值得抄作业：一是改现有游戏而不是从零起项目，代码边界清楚、输出可验证，正合我 028 期说的那条，考试环境再小也得是自己认得的考场；二是二十分钟验证一个点子，AI 的真实生产力在压缩试错成本，不在替代工程师。024 期我说产量上去了验证这关必须跟上，这篇文章里验证环节就是游戏之夜当场开一局，闭环短到家，普通团队学不了形、学得了这个思路。
小编小禾说｜看完有点想组局。我不写代码，但听懂了一个逻辑：以前想玩个什么冷门玩法得等大厂出，现在有点子就能先试试。不过他原话也承认，把东西做精致还是得下血汗，AI 只是把「试一试」的门槛踩平了。所以别指望一夜做出能卖钱的游戏，先做出来给朋友玩。
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 1Artificial Analysis 智能指数 · 实时抓取（数据截至 2026-09-07，本期替代 Arena 旧快照的主榜）
大白话｜这个指数像 AI 的高考总分，考数学、编程、阅读理解一揽子综合题，60 分以上已经是第一梯队。头部十三席全是 100 万 tokens 上下文（一次能塞进一整本书还多）。今天 Arena 人类盲测榜快照和上期相同没更新，本期主榜换成这张 9 月 7 日实时抓的。注意两件事：Anthropic 一家占了前八里五席；9 月 3 日刚发布的 GPT-6 Astra 还没进这张榜，成绩单得再等几天。
快报 2Arena 编程盲测 Elo 榜 · 快照 09-06（09-05 刷新，本期首次入刊）
大白话｜Elo 就是下棋等级分：真人同一道题匿名分给两个模型写代码，投票谁写得好，赢了涨分输了掉分。9 月 3 日才发布的 GPT-6 Astra 四天空降榜首，甩开第二名 35 分，头名优势明显。老规矩：刚上榜的新名次样本还薄，先看它稳不稳得住，别急着为这一个分换掉手里的工具。阿里 Qwen3.8-Max 和 Kimi K3 守住第 4、5，国产模型在编程榜上仍是第二梯队排头。
快报 3同一梯队，差价 5 倍：AA 榜单里的钱包与速度（2026-09-07）
大白话｜「价格」是完成一道标准任务的平均花费。同样 60 到 66 分的头部梯队，最便宜和最贵差 5 倍还多：GLM-5.3 每任务 $0.68，Fable 5.1 要 $3.69，而后者输出还只有 66 tok/s（每秒吐出的字数级单位，越高回话越快）。速度这边，Muse Spark 1.3 (xhigh) 跑到 182 tok/s 是主流模型最快，全场最快被 Celeris-1、Mercury 2 这类专用加速模型拿走。结论很朴素：不追求最后 5 分智力时，中档价位的活干得一样多。
6 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。
免注册在线 AI 修图站上线，托管热门模型「Nano Banana 2」
9 月 6 日登上 Show HN 的 PicEditor：不用注册，上传照片用一句话改图或文生图，最高支持 4K 输出。免费用户走普通队列速度较慢，付费才有高优先级队列和商用授权。注意它是第三方托管该模型，不是谷歌官方站点。
一句话点评｜免费等于慢队列加仅限个人使用，商用图片先把授权条款看清楚再用。
AI 视频去除物体上了「逐帧跟踪」：点一下运动员，后续画面全程抹除
Show HN 项目 Object Remover：在视频里给球员、logo、路人画个框，绿色遮罩逐帧锁定目标，之后模型把它从每一帧里抹掉。移动目标跟踪是视频修补里最难的一环，静态擦除早已普及。
一句话点评｜擦移动物体和擦静止物体的效果差距大，先拿自己拍的视频对拍，别看演示页就付费。
给 AI 智能体上的「决策治理运行库」公开测试，接口冻结进 v0.70
PV-PP Runtime API 把「AI 下一步该执行哪个动作」的判断独立成一个运行库：496 个回归测试全过才冻结接口，并明确「运行库负责选择动作、宿主应用掌握真实世界的最终决定权」，选择本身不改世界状态。
一句话点评｜「AI 提方案、环境说了算」符合最小权限思路，但这是个人项目公开测试，没有第三方基准，先当方法论看。
资深工程师用六种情绪给 AI 写体检单，文末强调文字全部亲手写
博主 beza1e1 发布《How I feel about AI》，对 AI 逐条列了惊讶、恐惧、厌恶、悲伤、愤怒、开心六种情绪和各自理由，比如惊讶于「没有规划算法却能涌现规划」，愤怒于开放网络被爬虫冲垮。文末自注：每个字都是自己打的，只让 Mistral 做了审校。
一句话点评｜AI 参与程度主动公开标注，这种坦诚样本本身就是内容可信度的地基。
Springer 新书章：AI 对齐的前提就有问题，因为人类价值观本身在漂移
刚出版的开放获取章节《迈向与生成式 AI 的共生社会》抛出证据：GPT-4 发布后几个月里，它爱用的短语「delve into」全球搜索热度明显上扬，说明生成式 AI 已经在改写人类的语言习惯。作者主张用双向动态适应替代单向 AI 对齐。
一句话点评｜拿 Google Trends 数据论证 AI 反塑人类语言，角度新；属于理论研究，还没有落到评测实践。
「高级 AI 建站提示词」售卖页登热榜，页面自封「官方」
MotionSites AI 推销所谓「官方高级」AI 建站提示词包，整页是「解锁你的 AI 设计超能力」式营销话术，页面看不到任何第三方面测数据和开发者信息。
一句话点评｜「官方」自称、无实测、无出处，买 AI 工具前先找第三方真实使用记录，没有就当广告。
● Claude Fable 5.1 (max) 66 分登顶 Artificial Analysis 智能指数，头部梯队上下文长度清一色 100 万 tokens（Artificial Analysis，09-07 实时）
● GPT-6 Astra 于 9 月 3 日发布后四天空降 Arena 编程盲测榜首，Elo 1797、领先 35 分（Arena 快照 09-06）
● 头部梯队单任务最便宜的是 GLM-5.3 的 $0.68，Kimi K3 以 $0.84 紧随其后，两家同分不同价（Artificial Analysis）
● Muse Spark 1.3 (xhigh) 输出速度 182 tok/s，主流模型第一（Artificial Analysis）
● Arena 智能体干活榜前十 Anthropic 占七席，Kimi K3 是前十里唯一的国产开源模型（快照 09-06）
① GPT-6 Astra 还没出现在 Artificial Analysis 智能指数上，等它进榜后和 Claude Fable 5.1 的分差见真章
② Arena 智能体榜 9 月 5 日刚刷新，盯 Claude Fable 5.1 (Max) 的领先在新增投票后扩大还是收窄
③ iOS 27 正式版进入倒计时，Siri AI 是否按候补名单机制放量，是这轮语音入口之战的关键节点
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-09-07
数界工坊 · 全球AI评测雷达