物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.09 · 周三
第 042 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 1GPT-6 上手第三天，大家开始研究怎么「少喂Token」把事办成
它能帮你干什么活：GPT-6 Astra 上线这几天，讨论风向变了——第一天比的是谁更强，第三天比的是谁更省。有作者把它的三档推理等级拉出来逐个实测：日常问答、写邮件用低档，速度和账单都友好；改代码、做分析上中档；只有硬骨头任务才开满档。结论很直白：不是越「聪明」越合适，任务配档位，Token 花费能差出好几倍，大部分普通活儿根本用不到顶格推理。
产品领域专家·阿哲说｜新模型发布周之后紧接着就是「怎么用最划算」周，这是每个入口成熟前的固定节目。08-29 期谷歌 Gemini 3.7 Flash 空降三榜时我们说过，性价比会成新战场；现在轮到旗舰自己长出档位说明书。入口即模型，但选档即省钱。
小编小禾说｜我这种按字数心疼额度的人狂喜。老规矩：先拿周报、整理会议纪要这种丢了不心疼的活试低档，重要的活还得自己多核对一遍，别指望省了钱又白赚聪明。
重点 2有团队开始给 AI 公司的「安全承诺」记账：规则悄悄改了没告诉你
它能帮你干什么活：选 AI 服务时你看到的那份安全政策，可能已经不是三个月前那份。一篇新论文（Silent Revision）做了一套测量方法：逐版对比各家 AI 安全框架的历史文本，把「没发公告就悄悄改动规则」的行为量化出来。对用户意味着什么：厂商主页写「我们承诺」不再等于证据，你需要的是一份能查的「变更记录」。
安全领域专家·老周说｜08-20 期我说过「不透明才是最大的风险」。这篇论文的价值不在结论，在把透明度变成可测量的对象——跟 08-17 期 AI 制药开公开榜、09-01 期黑客公开赛是同一个方向：打分权从厂商手里拿回来。这类「第三方记账」做法值得推广。
小编小禾说｜以后选 AI 工具不光看功能，还得看它家政策页有没有「更新历史」可翻。没记录可查的承诺，跟没承诺差不多——这话我先记在小本本上。
重点 3让 5 个 AI 打完整季高尔夫：作者说我们的智能体考试方式从一开始就错了
它能帮你干什么活：一家叫 Offscript Labs 的团队做了个实验，让 5 个 AI 智能体像球手一样打完整季高尔夫——同一套规则、同一个赛季累计积分，而不是每道题单独计分。他们的发现：现有榜单把智能体拆成一道道孤立短任务，考不出「连着干一周会不会崩」。长任务里的误差会累积，单题满分掩盖了这一点。
编程领域专家·老徐说｜方向戳中了：现有基准全是短闭环计分，量不出长任务的误差累积，「长任务要连着考」这个思路值钱。但这是自建土考场，出题、计分、发球权都是他们定的，分数先打折记账——延续我的老规矩：只信可复现日志，等第三方拿同样的赛季规则复跑。
小编小禾说｜041 期我看「7 个 AI 开店发假账单」学到的，跟这次对上了：AI 单件事做得漂亮不等于长期靠谱。以后看「AI 全能助手」的宣传，先问一句：敢不敢连干一周公开记账？
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 TOP 5（快照 2026-09-09，Elo 分数，人类投票选出来的名次）
大白话｜人类当裁判的文字盲测里，Anthropic 前五占四席；第3、5名对战数不到 4000 场，置信区间宽，名次会晃，先别当真。
快报 2代码能力榜 TOP 5（快照 2026-09-09，写程序盲测，Elo 分数）
大白话｜GPT-6 Astra Max 登顶写代码榜，但只打了 1810 场、误差棒 ±19 分，比第2名多出的 32 分还没拉开一个安全距离——延续老徐 041 期的提醒：样本最薄的名次先别当真。
快报 3智能体实用榜 + 用量头条（AI 替你干真实活的综合表现）
大白话｜智能体实用榜（快照 2026-09-09）前十 Anthropic 占六席，国产里 Kimi K3 Max 第8、腾讯 Hy4 preview 第10。另据调用量数据，腾讯 Hy4 环比暴涨 379% 登顶全球大模型调用榜（极客公园，9 月 9 日）——榜单比「谁聪明」，调用量比「谁被天天用」，两张榜对照着看。
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。
ChatGPT 生图罢工 7 个半小时，修好了也没给解释
OpenAI 状态页显示，北京时间 9 月 8 日 22:32 到 9 日 05:59，ChatGPT 和 Images API 的图像生成功能集体故障约 7 小时 27 分钟，目前已修复，事故原因尚未公布。
一句话点评｜把活交给 AI 之前先看它的「 uptime 成绩单」——依赖越深，越要在意它坏不坏、坏了说不说。
2026 款 Apple TV 4K 曝光：升级 A19/Pro 芯片，支持 Siri AI
据爆料，苹果 2026 款 Apple TV 4K 将升级到 A19/Pro 级芯片并支持 Siri AI 能力，整机定位从流媒体盒子向家庭 AI 终端移动。
一句话点评｜电视盒子拼算力不是新鲜事，关键是 Siri AI 在客厅场景到底能不能听懂人话——上市前都值得观望。
开发者把英伟达 DLSS 5 移植上苹果 M5 Pro：画质涨了，延迟 240 毫秒
有开发者成功在 M5 Pro 等苹果芯片上非官方移植英伟达 DLSS 5 超分技术，实测画面质量确有提升，但延迟高达 240 毫秒——玩动作游戏等于按键后半秒才有反应。
一句话点评｜一次跨阵营硬件能力对照实测：画质和延迟这笔账摆得很直白，移植能跑通不等于能用。
为啥辅助驾驶能躲人，却会撞羊和路障？
一篇工程复盘拆解辅助驾驶的感知边界：行人、车辆这些「高频目标」训练充分，羊、路障、异形障碍物属于长尾类别，模型没见过就等于不存在。躲人能拿满分，撞羊不稀奇。
一句话点评｜评测只考常见题，真实路况专出冷门题——「考场得分」和「路上安全」是两码事，买智驾别只看宣传视频。
开会时 AI 能听出「该谁说话了」，降噪耳机却还在把人声当噪音掐掉
Tavus Labs 开源语音模型 Sparrow-2，直接点名老大难：现有降噪为「掐掉背景人声」设计，一旦让 AI 助手边听边答，同事的话、你的半截话全被当噪音处理，AI 就抢话、漏话。Sparrow-2 主打整场声音理解，自称轮次判断榜 TurnBench 第一。
一句话点评｜方向对——语音的下一战场不在听懂词，在听懂「该谁开口」；但 TurnBench 是主办方自家榜自家模型，等第三方拿真实会议录音复跑。
把银行账单接给 AI 帮你查账，先想清楚你交出的是哪把钥匙
周末项目 BankMCP 冲上 Hacker News 热榜：把多个银行账户流水接到 Claude、ChatGPT 等 AI 里，直接问「上个月外卖花了多少」。项目方强调两点防线：只读（AI 只能看不能转钱）、服务器你自己搭。
一句话点评｜「只读+自建服务器」比交网银密码的云端助手清醒，但账单是行为画像——先只接一张不重要的卡试水，延续老周 042 期立场。
网站 AI 味检测器上线：逐页标出「哪里读起来像机器人写的」
SiteTell 会爬完你的整个网站，把读起来像 AI 泛泛生成的文案逐条标出来：给分数、给证据、按规则给出改写建议，瞄准「全站去 AI 味」这个新刚需。
一句话点评｜给 AI 文本「验味」的工具本身也在立标准，检测器只能当提示、不能当判决书——延续老周 028 期对检测器的定性。
终端里长出的 AI 副驾：300 行 Zsh 实现命令实时建议
开源小工具 Aish 用约 300 行 shell 脚本，在终端里做出类似 Warp 的内联 AI 命令建议：每条命令跑完自动判断成败，给出下一步候选，主打轻量、可读、可自己改。
一句话点评｜小而透明的实现适合拿来研究「AI 辅助到底加在哪一步」；给 AI 的建议留最终确认权在你手里，别直接回车。
给 AI 造「会故意遗忘」的记忆：Rust 实现反 RAG 思路
开源项目 Selmem 走反 RAG 路线：不做「全量事实堆叠」，而是选择性重构式记忆，允许 AI 有意遗忘、甚至有限度地「编」，作者认为堆满事实只最大化覆盖率，不接近人类记忆的使用方式。
一句话点评｜AI 记忆一旦记错比没有更难查——延续老徐 021 期立场：先想清楚「记事实还是记过程」，再谈上不上。
证件照工具说不「像 AI」：上传一张照片保住你的脸
PortraitDesk 主打「你的脸还是你的脸」：上传一张肖像，生成证件照/职业头像时保留原有的五官比例、表情和相似度，回避常见的「AI 磨皮换脸感」。
一句话点评｜「不像 AI」成了新卖点，本身就是生成图像同质化的注脚；求职用可以先拿免费版试相似度再谈掏钱。
● 升级后的 DeepSeek 让年轻人集体「失恋」：有人把它当赛博男友，活人感思维链成关键（虎嗅，9月9日）
● DeepSeek 官方预告 9 月 10 日前后发布 V4.1 Flash，称各项指标全面超越 V4 Pro（IT之家，9月9日）
● 蚂蚁百灵开源首个原生多模态模型 Ling-3.0-flash-VL：124B 总参数、单次激活 5.5B（IT之家，9月9日）
● 面壁 MiniCPM5-2B 开源：AA 榜单全球 4B 以下第一，初具端侧通用 Agent 能力（IT之家，9月9日）
● 「AI Stack Selector」上线：明说自己的匹配分是打分启发式、不是基准测试（Hacker News，9月9日）
● Sonos 27 音频系统更新：向 S2 系列免费推送，预览外部 AI 接入（IT之家，9月9日）
① DeepSeek V4.1 Flash 预计今日发布：官方称「性能、费用、速度、总用时各项指标全面超越 V4 Pro」——老规矩，自报成绩单先打折记账，等 Arena/第三方榜单跑分落地再看成色。
② GPT-6 Astra Max 的代码榜第一（1796 分）对战数仅 1810 场：盯它接下来几天样本攒到万场后名次晃不晃，08-29 期 Gemini 3.7 Flash 空降的剧本可能重演。
③ ChatGPT 生图故障（累计约 7.5 小时）尚未公布原因：看 OpenAI 会不会补发事故复盘——公布与否本身就是「可审计性」的一次实测。
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.09 · 周三
第 042 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开会时AI能听出「该谁说话了」，降噪耳机却还在把人声当噪音掐掉
它能帮你干什么活。Tavus Labs 开源了语音模型 Sparrow-2，直接点名一个老大难。现在的降噪技术是为「掐掉背景人声」设计的，可一旦你让 AI 助手边听边答，降噪就把同事的话、你自己的半截话全当噪音处理，AI 听着听着就抢话、漏话。Sparrow-2 改的是判断逻辑，不只看「是不是人声」，还结合整场场景判断「现在轮没轮到这个人说」。作者说它在 TurnBench（专门考「什么时候该开口」的公开测试）的轮次判断项目里排第一，网页上能直接找它的数字人「PAL」对话试。现场演示 挂着，谁都能去插句话试试它抢不抢。
产品领域专家·阿哲说｜语音助手品类的分水岭我一直说是延迟、打断、抢话这三件事，跑分再高，插话插得让人想摔耳机就是白搭。TurnBench 这种「什么时候开口」的公开考卷值得多看一眼，它考的正是发布会演示里最容易藏拙的环节。不过 #1 是主办方自己的榜、自己的模型，老规矩，等别人拿真实会议录音复跑一遍再下结论。
小编小禾说｜我对付过这个坑。用 AI 记会议纪要，旁边同事一说话，记出来的东西一半是他俩的闲聊。要真能做到「谁该说话听得出来」，这是刚需。但官方演示永远挑最顺的场合给你看，我先拿自己家的嘈杂会议室去试，试完再说好不好。
重点 2让5个AI打了一整季高尔夫，作者说我们的智能体考试方式从一开始就错了
它能帮你干什么活。一家叫 Offscript Labs 的团队做了个实验，让 5 个 AI 智能体像球手一样打完整季高尔夫，同一套规则、同一个赛季积分，而不是像现在这样每道题单独计分。他们的发现是，现有榜单把智能体拆成一道道孤立任务考，考不出「连续干几十件事会不会越干越歪」这种真问题。打球的设定听着像玩，其实戳中了要害。你让 AI 帮你订一周的行程，第 6 天出错，往往不是它那天变笨了，是前面攒的小错滚到了一起，而现在的跑分根本看不见这个。实验页面和过程记录都公开在 官网。
编程领域专家·老徐说｜这个实验我认真看完了，方向说到点子上了。我做项目最怕的不是 AI 单步写错，是它连着干二十步、错误在第十步埋下、第二十步才爆。现有基准全是短闭环计分，长任务的「误差累积」没人量。用高尔夫赛季做载体很聪明，规则简单、周期长、没法作弊。但提醒一句，这是自建的土考场，出题范围、计分方式都是他们自己定的，分数本身先别当真，「长任务要连着考」这个思路才是值钱的。
小编小禾说｜我把它翻译成我的日子。让 AI 帮我规划一次全家旅行，机票酒店都订了，到第 4 站才发现它把日期接错了，前面订的全要退。原来是它不会「记住自己上一站干了啥」。所以以后看智能体广告，我先问一句，有没有连干一周不出错的记录，单题满分我不稀罕了。
重点 3把银行账单接给AI帮你查账，先想清楚你交出的是哪把钥匙
它能帮你干什么活。一个周末项目 BankMCP 冲上了 Hacker News，它把你多个银行账户的流水接到 Claude、ChatGPT 这类 AI 里，你可以直接问「上个月外卖花了多少」「这笔扣费是哪家」。项目方强调两点，只读（AI 只能看账单不能转账）、服务器自己架（数据不过它的第三方云）。思路是新的，接法也轻，一个下午就能搭起来。项目页 把能问的问题列了一屏。
安全领域专家·老周说｜「只读」和「自建服务器」这两个设计我要肯定，比那种直接把网银账号密码交给云端助手的产品清醒得多。但边界不清的老问题还在。账单里全是行为画像，你在哪吃饭、给谁转账、什么时候花钱，AI 看到的不只是余额。你自己架的服务器要管好三件事，接进来的每个 AI 客户端有没有留对话记录、模型服务商会不会把这些查询存进训练数据、服务器钥匙落在谁手里。权限要设到最小，这句话在这里同样成立，先只接一张不重要的卡试。
小编小禾说｜查账这事我确实懒，几百条流水翻到眼花。但把银行交给 AI，我第一反应是 041 期那个 7 个 AI 开公司自己发假账单的实验，AI 会自己发明它觉得该干的活。所以我的土办法是，用一张余额少的卡接进去试试水，主力卡先不动，看它会不会问出我都没问过的问题。
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 TOP 5（Elo 分数，人类投票选出来的名次）
大白话｜榜单暂未更新，数据截至 2026-09-08 快照（本期无近 48 小时新榜可替换，未冒充今日数据）。前五名里 Anthropic 一家占了四席，Meta 刚发布的 Muse 系列以第五名贴着第一集团。要留个心眼，第 3 和第 5 名对战数只有三千场上下，置信区间在 ±10 分开外，名次比头部四位虚得多，掉下去很正常。
快报 2智能体实用榜 TOP 5（快照 2026-09-08，AI 替你干真实活，净改进分，越高越好）
大白话｜这张榜考的是 AI 当「数字员工」，净改进分是「比人自己干改善了百分之几」。Anthropic 前排包场，OpenAI 最高的 GPT 5.6 Sol 在第五。国产里 Kimi K3 排第 7（净改进 +8.0）、「确认办成事」率 16.6 排全体第二，实际办成事的功夫不差。
快报 3代码能力榜 TOP 5（快照 2026-09-08，写程序盲测，Elo 分数）
大白话｜GPT-6 Astra 以 1797 分居首，但它只打了一千出头场盲测，置信区间 ±24 分，是头部五个里样本最薄的，第 2 名差 35 分看着不大，样本攒起来名次随时会晃。阿里 Qwen3.8 和 Kimi K3 挤进前五，是这张欧美榜上少见的中国名字。
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 证件照终于不打「换脸」牌了，卖点改成「还是你这张脸」
PortraitDesk 上架，专做职业头像，宣传语直接冲着一堆「生成完连亲妈都不认识」的 AI 写真去的，承诺保住你的脸型、表情和神态，只修光线和背景。
一句话点评｜简历照、工牌这类刚需场景，「不像我」就是不及格，这个定位找得准，效果等用户晒对比图再说。
给你网站做「AI味检测」的工具来了，逐句指出哪段像机器写的
SiteTell 会爬完你整站，标出读起来像 AI 套话的词和句式，给出评分和证据，再按规则改写。做内容的人最近这两年怕的不是没流量，是被读者一眼认出「这稿子是 AI 灌的」。
一句话点评｜检测自己的稿子这个需求真实存在，但它判定「AI 味」的标准就是它自己的词表，别拿它的分数当判决书。
AI 该拒绝的话题里，只有一小撮真正危险，全砍反而难用
HuggingFace 上一篇研究博客提出，模型拒答常常是整个话题一起拒（比如问什么都装死），但一个话题里真正有害的只是小子集。作者演示了按子集设防的做法，正常问题放行，只拦那一小撮。
一句话点评｜这解释了我们平时的憋屈，问个历史题被当成危险分子。护栏做得越糙，用户被误伤越多，方向值得跟进。
AI 让数学产出暴涨，但一位学者警告，这可能是「高产的黑暗时代」
一篇引发讨论的长文担心，AI 让论文产量起飞后，学界「不发表就出局」的游戏规则会把大量 AI 生成但没人真正消化的成果堆进文献里，看着繁荣，实际读懂的人在变少。
一句话点评｜OpenAI 今天宣布攻克 90 年数学难题的同一天看到这篇，正好对照。产量和洞察是两回事，这对所有用 AI 干活的人都成立。
一个工程师和 AI 单独干了 8 个月，交出 25 分钟的复盘实录
开发者 Patric Fornasier 写了份体验报告，记录他如何让 AI 通宵干活、自己退出手动环节，包括哪些活交出去放心、哪些交出去翻车。写代码 15 年的人给 AI 「放手」的过程，比普通用户的三天尝鲜值钱。
一句话点评｜和上期那位用编程智能体改老游戏的独立开发者同类，都是比官方 demo 更可信的真实样本。
5 万多场铁人三项赛事数据，作者演示怎么用 AI 便宜地把公开数据扒干净
一个跑步数据站站长写了实操教程，讲他怎么在成本极低的前提下用 AI 抓取工具整理 5.3 万场赛事、2.2 万个主办方信息，包括哪些网站让抓、怎么抓不挨封。
一句话点评｜「AI 扒公开数据」对小团队是真实生产力，教程难得讲清了成本和边界，做数据整理的人可以存下来。
不许用云端大模型的黑客松，只准手机级别的小 AI 干活
Ryze AI 办了一场 4 周线上黑客松，规则卡死一条，作品只能跑参数量不超过 5 亿的本地小模型，禁止任何云端 API。逼着参赛者拼小模型的极限，而不是拼谁调的旗舰模型贵。
一句话点评｜这个赛制本身就是个评测，比出来的作品等于给「小模型到底够用不够用」交了一份集体答卷。
分析公司 Cube 发文，AI 助理想看懂数据，得先给它配一本「词典」
Cube 的工程博客提出，智能体直接对着数据库裸问数很容易问出驴唇不对马嘴的结果，需要先有一层「语义核心」，把「活跃用户」「毛利」这些词的定义钉死，AI 才有统一口径。
一句话点评｜厂商讲自家产品逻辑的文章，立场先打个折，但它点的问题是真的，AI 查数错在口径，不错在算术。
又一家 AI 公司把内部研究助理搬上台面，主打「自己人先用了一年」
Applied Compute 公开了内部研究智能体 Ari，卖点是先在自家模型训练流程里干活的内部工具，对外说省掉了研究员翻论文、跑对比实验的重复劳动。
一句话点评｜「内部工具转产品」是今年 AI 公司最常见的发布套路，宣传页上的效率数字记得先等客户实单验证。
免费 AI 海报生成器，生成内容会进公开画廊，这条要先看清
Posterlet 主打免费不限量做海报，页面写了一句容易被忽略的话，你生成的图片会展示在公开画廊里。
一句话点评｜免费工具拿作品换算力是常见模式，但对拿它做商业海报的人是坑，公司物料别传上去，条款页要读完。
● OpenAI 宣称攻克困扰人类近百年的数学难题，纽约大学数学家同天挂出三个独立证明，「抢发」争议发酵（Guardian / TechCrunch / Wired）
● Meta 发布个人智能体 Muse，自动发邮件订票、强调隐私内建，开始向部分用户收费（Wired / CNBC）
● 中国定 2030 年 AI 算力翻四倍目标，美韩签 220 亿美元天然气电站喂数据中心（SCMP / TechRadar）
● Cognition 融资 20 亿美元估值 480 亿；The Exploration Company 拿 4.5 亿美元挑战 SpaceX（Bloomberg / TechCrunch）
● 安全公司演示首个微信「零点击」蠕虫 WeWorm，漏洞已修复（IT之家）
① OpenAI 数学难题之争继续发酵，看双方证明细节和被质疑的评审反应。
② Meta Muse 智能体向付费用户放量，第一批真实使用反馈值得盯。
③ Arena 榜单若刷新 09-09 快照，验证 GPT-6 Astra 代码榜首的名次在样本变大后稳不稳。
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-09-09
数界工坊 · 全球AI评测雷达