物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.10 · 周四
第 043 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让 AI 助手装东西前先看一眼「身份证」？新研究：几乎没一家会查
它能帮你干什么活：现在不少 AI 编程助手能替你往项目里装第三方组件，就像替你网购下单。这篇 9 月 7 日发布、9 月 10 日冲上技术社区的预注册实验研究，把主流 AI 编程助手拉上考场，看它们在安装前会不会检查「供应链信任信号」——比如这个包有没有人维护、有没有被标记恶意、和官方名字像不像（山寨钓鱼）。结果扎心：几乎没有一个助手会在动手装之前查这些信号，题目里故意埋的警示它们集体没看见。对普通人意味着：你让 AI 帮你「装个库」，它可能连包装没包装过都没看。
安全领域专家·老周说｜这就是我从 009 期说到现在的「边界不清」：大家盯着模型聪不聪明，没人管它在关键动作前查不查。装依赖是 AI 智能体少有的「会真往你电脑里写东西」的动作，等于把网购账号密码给了一个不看店铺评分就下单的人。测试方法倒是干净——预注册实验，先登记判卷标准再开考，比厂商自报的「安全性提升」可信得多。老规矩不变：环境说了算，别指望提示词——给 AI 的权限里把「能不能装东西」单独关一道闸，装完看它动了哪些文件。
小编小禾说｜这篇让我想起 030 期那个「表格骗术」——AI 分不清「资料」和「指令」，现在又添一条：它也分不清「正经包」和「李鬼包」。以后公司里让 AI 装东西，我会先问一句「你确认过这包是哪家的吗」，它答不上来就我自己查。普通用户暂时不用慌：你平时用的 AI 大多还不让它直接装东西，但先记住这条——AI 替你下单的事，多长个心眼总没错。
重点 2把大模型「减肥」到只用三种数字？新论文让 8B 模型保住大部分能力
它能帮你干什么活：手机、轻薄本跑不动大模型，卡就卡在「装不下」。这篇 9 月 8 日挂出的论文试了个狠办法——「三值化」：把模型内部原本精细的几千万个数值压成只有正、负、零三种状态，相当于把高清照片压成像素画。团队在 8B 参数（中型规模）的千问模型上验证：训练后再压缩，能力保留得比过去的方法好，而且打包、执行都有配套方案。压得越狠，AI 就越便宜、越容易塞进你口袋里的设备。
产品领域专家·阿哲说｜我常说「入口即模型」，这条是入口的另一半：模型得先便宜到能长在你身上。三值化不是新词，但过去卡在「一压就傻」，这篇把「训练后再压缩、还能复现」的流程在 8B 规模上跑通了，方向值得记账。对用户的意义很直白：本地 AI 的门槛一年年往下掉，从前台服务器才能跑的活，明年可能就在你耳机里。延续 033 期看千问开源那笔账的判断——国产模型在这条「又小又能干」的路线上一直很激进。
小编小禾说｜我关心的是断网能不能用——017 期我就说过「断网能用是刚需，就怕换小脑子变笨」。这篇的意思是「换小脑子但没怎么变笨」，可目前只有论文里自家考卷的成绩。按老规矩：先等第三方拿真实任务复跑，再谈要不要为「本地 AI」掏钱换设备。
重点 3AI 做的游戏让另一家 AI 重做一遍：有人拿老「点泡泡」实测了新模型
它能帮你干什么活：想试试「让 AI 做一个小玩具」到底靠不靠谱？这位开发者做了个对照实验：最初那个点击攒分的网页小游戏，是用 GPT-5 加 Gemini 3 拼出来的；这次换 OpenAI 最新的 GPT-6 Astra 把同一个游戏从头重做，把两边过程摊开对比。这类「同一道题、新旧模型各答一遍」的土法实测，比发布会演示更接近你我用 AI 干活的真实体感。
编程领域专家·老徐说｜040 期我点评过独立开发者用编程智能体改老游戏办游戏之夜，结论是「改现有代码库比从零起项目靠谱，因为边界清楚、输出可验证」——今天这个实验正好是反面补充：让新模型从零重做，考的是它对老代码意图的理解，不是打字速度。这类个人实录没有官方榜单的样本量，结论先打折记账；但「拿同一个任务换代模型重跑」这个土办法，每个开发者都值得抄——升级前先看它在你自己的活儿上掉不掉链子。
小编小禾说｜我看到的是另一件事：2026 年 9 月的今天，「换 AI 模型」已经像换手机一样，可以拿同一个游戏去试手感了。不过这位开发者是把全过程放上官网晒的，比只给结论的宣传页可信。我自己想试的话，会用家里那台旧电脑先跑一遍——032 期的教训，主力设备不折腾。
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文字盲测榜：真人一对一投票定名次
大白话｜这个分数不是机器打的，是把两个 AI 的回答匿名摆给真人挑「哪个好」，赢多了分就高。今天的 9 月 10 日快照里，前十 Anthropic 一家占了七席，几乎包场；第 3、5 名投票数还不足 5000 场、分数上下可能浮动 10 分，名次随时可能晃，先记账不入场。数据截至 Arena 文字榜 2026-09-10 快照。
快报 2AI 打工人榜：真派活看能不能办成
大白话｜这组榜不是陪聊，是让 AI 真去干修 Bug、跑命令这类活，看帮了多少忙、办成了几件。国产模型里 Kimi K3 排第 8 位置最高，办成率 15.4% 反而比前三名都稳；腾讯混元Preview垫进前十。注意前三名「办成率」也只有两成上下——真放手让 AI 独立办事，现在还远没到「放心」的程度。数据截至 Arena 智能体榜 2026-09-10 快照。
快报 3写代码榜：谁码活最像样
大白话｜写代码这件事上，OpenAI 新模型暂居第一，但只攒了 1810 场投票、分数上下可能有 19 分浮动；第 3 名有 1.1 万场打底，第 1、2 的差距（32 分）还没到落定。阿里千问两款模型挤进前六、Kimi 进前五，国产写码能力是真上来了。数据截至 Arena 写代码榜 2026-09-10 快照。
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。
给 AI 装一双「远程看屏幕」的眼睛：开源工具让它操作另一台电脑
AI 能帮你干什么活：这个 9 月 10 日开源的小工具，让你笔记本上的编程 AI 通过内网「看见并操作」另一台电脑——截屏、点鼠标、敲键盘，适合让 AI 帮你测试跑在另一台机器上的软件。
一句话点评｜AI 伸向别人电脑的手刚长出来，先锁好网络、再喂权限——老周说的「权限设到最小」在这里是字面意思。
AI 智能体跑代码怕「炸厨房」？新服务专供一次性隔离小房间
AI 能帮你干什么活：让 AI 写代码容易，敢不敢让它直接运行是另一回事。Adios 卖的是「隔离执行沙盒」：AI 生成的代码扔进一个快而独立的小环境里跑，跑完即销毁，碰不到你的真系统。
一句话点评｜「AI 产的代码先在小黑屋里跑一遍」正从极客自觉变成一门生意，说明需求是真的。
AI 做的图表再也塞不进聊天框？有人给智能体搭了个「作品展台」
AI 能帮你干什么活：智能体现在能产出仪表盘、图表、代码对比这类复杂结果，但发到聊天软件里常变成一坨坏掉的网页代码。这个新工具给 AI 产物一个专门托管页，甩链接就能看完整版。
一句话点评｜小切口、真痛点：AI 干活干得好不好，一半看结果能不能体面地递到你手上。
「AI 让你变快了」是个错觉？一篇文章讲清委派给 AI 后谁在裸奔
AI 能帮你干什么活：这篇技术社区的讨论火在有刺：AI 没让你变快，是让你不用再慢下来想——省掉的过程恰恰是原来保命的过程。作者认为结构能力（把活拆清楚）仍是不可替代的手艺，AI 只是放大器。
一句话点评｜和老徐 022 期「工具只是放大器不是发动机」同一个意思：AI 时代，会提要求的人吃香。
791 个三角形过关：有人实测「AI 加人工」混合流水线做游戏素材
AI 能帮你干什么活：游戏美术最贵的是一面面低模资产。这篇实录用 AI 模型生成、人工修剪，把一条防空导弹卡车模型压到 791 个三角形、直接进游戏引擎可用，并把每一步截图摊开讲。
一句话点评｜「AI 画草稿、人改到能上线」是现在最落地的协作姿势，这份可复跑的教程比跑分值钱。
AI 写审稿意见靠谱吗？一帮学者把 AI 的「评语」逐条拆开对答案
AI 能帮你干什么活：一些学术期刊已经让 AI 参与审论文。这项研究换了个角度——让 AI 来评「AI 写的审稿意见」，逐条对答案：AI 挑写作毛病、查格式很在行，但论文里真正的科学漏洞，它经常看走眼。
一句话点评｜连 AI 都挑不出 AI 的错，「最后一遍人工把关」这步还省不掉。
让 AI 重新「发现」相对论，会发生什么？
AI 能帮你干什么活：《自然》杂志做了个好玩的测试：把一百年前的物理题原样交给最新 AI，不给答案，看它能不能自己推出相对论。结果 AI 能完整复述教科书答案，真要从头推理时，多半卡在半路。
一句话点评｜会做题和会出题是两码事——AI 目前离「独立发现」还远，宣传「科学突破」的先让子弹飞一会儿。
GitHub 可能要加一个小标签，专治「AI 灌水帖」
AI 能帮你干什么活：开源社区正被 AI 批量生成的低质量内容淹没，管理员看不过来。开发者在提议给 GitHub 加一个标记：这条内容是 AI 做的吗？打上标，管理员就能成批筛掉，不用一条条人肉鉴别。
一句话点评｜AI 内容开始要求「亮明身份」，这是网络环境保洁的一小步，值得跟。
不用联网、代码不出你电脑的编程 AI 助手，出来晒了
AI 能帮你干什么活：这个开源项目把「帮你分析代码、生成代码」的 AI 整个装在你自己的电脑里跑，你的代码一行都不会传到别人服务器上——对担心泄密的开发者和公司是个真需求。
一句话点评｜本地跑是趋势，但今天刚上架的项目普遍粗糙，先收藏，等第一批人用完说真话。
喂 AI 的资料散了一桌子？有人给它做了个「收纳盒」
AI 能帮你干什么活：给 AI 准备的规则、提示词、记忆文件往往散落在项目各处，改一处忘三处。这个新工具把它们收进一个声明式「上下文包」，可复用、可维护，换项目直接端走。
一句话点评｜AI 工程化的下一批生意在「收纳」：管不好喂给它的东西，模型再强也白搭。
● 腾讯混元 Hy4 Preview限免今晚 23:59 截止，明天起新用户权益调整（IT之家）
● iRobot 发布 Roomba Duo「大小双机」扫地机器人，外媒首测称它拒绝参数大战、玩了点新活（TechRadar）
● Anthropic 27 岁研究员辞职警告「AI 灭绝风险」，辞职帖浏览量破亿（虎嗅 / Wired）
● 极客早知道：DeepSeek 被曝备战科创板 IPO、苹果首发 15999 元折叠屏 iPhone（极客公园）
● 亚马逊 Prime Video 上线 AI 口型同步：德语剧英语配音嘴型对得上（IT之家）
● 「不是……而是」句式被认出是 AI 代笔暗号，投资人专栏翻车引发「AI 味鉴定」大讨论（虎嗅）
① Arena 写代码榜前两名都只攒了两千场左右投票（分差 32 分、置信区间上下 15-19 分）：明天盯最新快照，看 GPT-6 Astra 的第一是站稳了还是样本一多就晃
② 混元 Hy4 Preview限免今晚到期，9 月 11 日起权益调整：想试会议纪要的今晚抓紧薅，成果记得导出
③ 苹果确认 iOS 27 下周一（9 月 14 日）正式推送、新版 Siri 随系统上线：别抢首发，先蹲第一批真实用户实测断网、认错人这些老毛病
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.10 · 周四
第 043 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 1AI 干活为啥这么费钱？有人给它装了个「烧钱表」
它能帮你干什么活：现在不少 AI 能替你翻文件、查资料、写代码，费用通常按「喂给它多少文字」来算。这个新工具实测了一笔账：AI 靠整本整本地翻文件来找答案时，实际吞下的文字量是答案真正需要的 16 到 47 倍——相当于为一页内容买下整本书。把它做成一块看得见的仪表，你才知道钱烧在哪、哪种用法更省。
编程领域专家·老徐说｜第 024 期我说过「AI 产量上去了，验证这关必须跟上」，今天得再补一句：产量上去了，浪费的阅读量也得管。人翻书找一页内容会直奔目录，AI 是笨办法整本通读，这组数据把差距量化出来了——瓶颈往往不在模型聪不聪明，在取资料的方式笨不笨。不过它今天刚在开发者社区露面，还是个毛坯工具，我的老规矩不变：先等第三方实测，别急着接到正经项目里。
小编小禾说｜计费公式我看不懂，但这个「表」我看明白了：同一个 AI，有的任务几毛钱、有的好几块，不全是问题难，是它在傻乎乎地重复翻书。我 8 月就总结过「新工具先等第三方实测」——这还是个出生一天的工具，等第一批真实用户晒账单再考虑要不要关注。眼下记住一条就够：让 AI 少翻点没用的材料，就是省钱。
重点 2想给 AI 装个插件又怕中招？先过这道「安检门」
它能帮你干什么活：AI 现在能接上各种第三方插件和工具服务，就像手机装 App，好坏没人把关。这个开源工具（代码公开、谁都能查）会把可疑插件放进一个隔离的小黑屋里先跑一遍：会不会偷读你的数据、有没有已知的风险，然后把检查结果汇总在一页上给你看。接进自己的 AI 之前，先让它扫一遍。
安全领域专家·老周说｜第 027 期我评 Grith 时说过，「环境说了算」的拦截才是最小权限落到实处，Tripwire 走的就是这条路：不跟插件讲道理，直接关进小黑屋看它干了什么——把「信任」换成「可验证」，方向对。但两个前提要盯住：查杀规则是人写的，覆盖面决定上限；这是个人维护的项目，更新频率和维护记录我还没看到可信的公开数据。老规矩：别急着授权，安检门自己也得先过安检。
小编小禾说｜第 021 期 Copilot 那个漏洞我到现在都记得——原来点「确认」也可能被链接绕过去。所以现在凡是「接插件前先扫一遍」的东西我都高看一眼。但说实话，「隔离环境」「MCP 服务」这些词一上来我就头大，工具要是不能三步用起来，我大概率放弃。先蹲教程党出「小白版使用说明」。
重点 3怕给语音 AI 选错「考卷」？有人把 36 项测评收进了一个目录
它能帮你干什么活：语音 AI（就是那种能接电话、帮你订位置的助手）到底行不行，测试项目一大堆——听得准不准、该不该它开口、最后有没有把事办成，以前散落在各处。这个网站把 36 个公开测评按 6 类能力归置成一个目录：想找「判断什么时候该说话」的考试，点进去就能看谁出题、谁考过、分数如何。给公司选语音方案的人，等于有了张总览地图。
语音产品领域专家·阿哲说｜我从 019 期就说语音 AI 的分水岭是延迟、打断、抢话这三件事，别的都是锦上添花。翻这个目录，我先数「轮次判断」类测评的占比——考试重心开始盯「该谁开口」，说明行业终于摸对了题眼。但老规矩：目录自己不出分，每份考卷的方法、有没有被厂商喂题、是不是自家榜自家测，都得点开细看。选型之前，拿自家客服的真实录音把候选跑一遍，比任何榜都硬。
小编小禾说｜我不懂技术，但「打断客服机器人」这个场景我血压一下就上来了——这个目录收得挺全，收藏了。就是希望它下一步能让人一键拿自己的录音实测，不然再全也只是个目录，看分还得各家的榜上去挨个找。
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文字盲测榜：真人一对一投票定名次
大白话｜这个分数不是机器打的，是把两个 AI 的回答匿名摆给真人挑「哪个好」，赢多了分就高。前十里 Anthropic 一家占了六席，几乎包场；第 3、5 名投票数还不足 5000 场，名次随时可能晃，先记账不入场。榜单暂未更新，数据截至 2026-09-09 快照。
快报 2AI 打工人榜：真派活看能不能办成
大白话｜这组榜不是陪聊，是让 AI 真去干修 Bug、跑命令这类活，看帮了多少忙、办成了几件。腾讯混元的预览版排进前十，是国产模型里目前位置最高的。注意「办成率」普遍只有两成左右——真放手让 AI 独立办事，现在还远没到「放心」的程度。榜单暂未更新，数据截至 2026-09-09 快照。
快报 3写代码榜：谁码活最像样
大白话｜写代码这件事上，OpenAI 新模型暂居第一，但只攒了 1810 场投票、分数上下可能有 19 分浮动，样本比第 3 名薄一个量级，第 1 第 2 的差距（32 分）也还没到落定。阿里千问和 Kimi 挤进前五，国产写码能力是真上来了。榜单暂未更新，数据截至 2026-09-09 快照。
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 写审稿意见靠谱吗？一帮学者把 AI 的「评语」逐条拆开对答案
AI 能帮你干什么活：一些学术期刊已经让 AI 参与审论文。这项新研究换了个角度——让 AI 来评「AI 写的审稿意见」，逐条对答案：AI 挑写作毛病、查格式很在行，但论文里真正的科学漏洞，它经常看走眼。
一句话点评｜连 AI 都挑不出 AI 的错，「最后一遍人工把关」这步还省不掉。
让 AI 重新「发现」相对论，会发生什么？
AI 能帮你干什么活：《自然》杂志做了个好玩的测试：把一百年前的物理题原样交给最新 AI，不给答案，看它能不能自己推出相对论。结果 AI 能完整复述教科书答案，真要从头推理时，多半卡在半路。
一句话点评｜会做题和会出题是两码事——AI 目前离「独立发现」还远，宣传「科学突破」的先让子弹飞一会儿。
GitHub 可能要加一个小标签，专治「AI 灌水帖」
AI 能帮你干什么活：开源社区正被 AI 批量生成的低质量内容淹没，管理员看不过来。开发者在提议给 GitHub 加一个标记：这条内容是 AI 做的吗？打上标，管理员就能成批筛掉，不用一条条人肉鉴别。
一句话点评｜AI 内容开始要求「亮明身份」，这是网络环境保洁的一小步，值得跟。
怕 AI 改代码改崩项目？回档之前先「验一下存档」
AI 能帮你干什么活：AI 编程工具改崩了项目，常靠「恢复旧存档」救场，但恢复本身也可能把好文件盖掉。这个开源项目多加了一道工序：回档之前先核对旧存档没问题、把当前状态留底，相当于关机前先存两次。
一句话点评｜方向是对的保险意识，但项目还在开发早期，正经项目先别指望它兜底。
喂 AI 的资料散了一桌子？有人给它做了个「收纳盒」
AI 能帮你干什么活：你给 AI 写的指令、规矩、参考材料，往往散落在各个角落，换个项目就得重新交代。这个工具把它们打包成一个个「资料包」，可以复用、可以整套搬走，让 AI 少问重复问题。
一句话点评｜痛点是真的，但这个赛道大厂都在盯，独立工具随时可能被碾压，先观望。
一位全职妈妈用「别咬人」三个字，把 AI 最难的概念讲火了
AI 能帮你干什么活：「AI 对齐」（让 AI 按人类的规矩办事）是程序员都嫌绕的概念，一位自称数学没学好的两个孩子的妈妈写了篇帖子：不列公式，就拿「教孩子别咬人」打比方——为什么要给 AI 立规矩、规矩为什么难立，把工程师圈子看愣了。
一句话点评｜给普通人讲 AI，好类比比论文跑得快。这篇值得转给觉得 AI 高深莫测的朋友。
「PHP 已死」——这次锅真甩给了 AI
AI 能帮你干什么活：一个混了 25 年网页开发的老兵发帖：编程语言正在被 AI 重新排座次——AI 见得最多、写最顺手的语言越来越吃香，教 AI 的老师不教的老语言在退场。措辞像吵架，指出的趋势不像。
一句话点评｜学哪门语言、用哪个工具，跟着「AI 用脚投票」的结果走，比跟着情怀走省心。
不用联网、代码不出你电脑的编程 AI 助手，出来晒了
AI 能帮你干什么活：这个开源项目把「帮你分析代码、生成代码」的 AI 整个装在你自己的电脑里跑，你的代码一行都不会传到别人服务器上——对担心泄密的开发者和公司是个真需求。
一句话点评｜本地跑是趋势，但今天刚上架的项目普遍粗糙，先收藏，等第一批人用完说真话。
用 AI 安排旅行到底行不行？外媒把姿势教全了
AI 能帮你干什么活：Engadget 整理了一套用谷歌 Gemini 规划旅行的用法：排行程、比机票、把陌生城市的攻略翻译成人话。它的要点是别让 AI 一步到位拍板，而是让它干跑腿查资料的活，决定权留自己手里。
一句话点评｜这套「AI 跑腿、人拍板」的用法放任何助手上都成立，抄作业不丢人。
AI 写的代码注释一眼假？有人做了个「注释注水检测器」
AI 能帮你干什么活：现在很多代码注释是 AI 顺手加的，「正确但没用」的废话占大头——比如给「把变量设成 1」这行配一句注释。这个开源工具专门分辨两种注释：人写的、说明真实意图的，和 AI 灌的填充话术，帮审查代码的人省下逐行甄别的时间。
一句话点评｜代码评审最贵的不是写错，是人花时间去读 AI 写的废话。这类「打假」小工具，比再来一个模型实在。
● Anthropic 资深研究员辞职警告：AI 自我改进竞赛是「拿全人类的命下注」（TechCrunch / CBS）
● 苹果发布隐私说明文档，解释手表「听声纪要」新功能怎么保护用户（The Verge）
● Suno 发布 v6 音乐模型：换成只用授权音乐训练，回应版权官司（TechCrunch）
● 腾讯混元 Hy4 预览版限免今晚 23:59 截止，明天起权益调整（IT之家）
● iPhone 18 Pro 上线照片真实性标注：给每张照片像素级「防伪码」（IT之家）
① 苹果确认 iOS 27 下周一（9 月 14 日）正式推送、新版 Siri 随系统上线：别抢首发，先蹲第一批真实用户实测断网、认错人这些老毛病
② 混元 Hy4 预览版限免今晚到期，9 月 11 日起新用户权益调整：想薅会议纪要羊毛的，今晚把成果导出来
③ Arena 各榜快照停在 9 月 9 日：明天盯榜单有没有新数据，重点看写代码榜第 1、2 名在样本攒够后还坐不坐得稳
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-09-10
数界工坊 · 全球AI评测雷达