物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.12 · 周六
第 045 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 1AI 替你点鼠标的考试出了 90.2% 的新高分，但「能替你删文件」才是重点
它能帮你干什么活：OSWorld 是让 AI 智能体在真实电脑里完成开软件、发邮件、做表格这类任务的公开考卷。本周国产实在 Agent 拿下 90.2% 的登顶成绩，意味着「AI 当你的电脑操作员」从演示视频往日常可用又近了一步。但名次之外更该看边界：一个能替你点鼠标的 AI，同样能替你删文件、替你点确认。
安全领域专家·老周说｜能力第一层看名次，第二层看边界。以后挑这类「会用电脑」的 AI，我加了两条硬标准：每一步操作有没有日志记录、权限能不能一键收回。答不上来这两条的，跑分再高也先放一放。90.2% 是公开考卷，但考场环境和判分口径还要等第三方翻一遍。
小编小禾说｜上次我说公开考卷要等真人复现再装我工作机，今天还是这句话。让它操作我电脑之前，先想清楚它能看到什么账号——延续「别急着授权」，这条在新高分面前更重要了。
重点 2浏览器里写完粗糙想法，Jot 一键改成能直接发的成稿
它能帮你干什么活：一个 Chrome 扩展，定位是「随手写、放心发」——把粗糙的想法、半截话，一键改写成回复、评论、帖子和公告这几类现成文体，不用先开聊天框粘贴来回。对普通人的意义是：AI 改稿正在从「独立工具」变成「输入框旁边的默认能力」，写邮件回、论坛回帖这类高频小写作最吃这个。
编程领域专家·老徐说｜这类轻量改稿插件的护城河很浅，大厂浏览器随时能抄。我感兴趣的点恰恰是它不做通用聊天、只押「回帖/公告」这几个窄文体——窄任务上提示词工程能省掉大量幻觉空间，这是小团队打通用模型的合理姿势。
小编小禾说｜我的体验是：越是三五行的小回复越不想自己组织语言，这类工具比开大模型窗口省事。但发正式公告我还会自己过一遍，AI 润色容易把话说得太圆，丢了原来的语气。
重点 3不联网也能替你干活的安卓端侧 AI 管家开源了，终端、浏览器、SSH 都能碰
它能帮你干什么活：Aiope 是一个跑在手机本地的 AI 智能体，能直接操作终端、开浏览器、连 SSH、接 MCP 工具——断网也能替你执行任务，不用把数据传去云端。端侧 AI 从「聊天不笨」卷到了「真能干活」， privacy 敏感和没网场景（出差、地下室、机房）是第一受益方。
产品领域专家·阿哲说｜入口即模型，这个判断在端侧重演：谁能离线替你干活，谁就占住手机里更深的一层入口。但一个能 SSH、能开浏览器的本地智能体，等于把整台手机的操作权交给一个跑分没人验过的小模型——品类逻辑成立，安全边界还没跟上。
小编小禾说｜延续 017 期我说过的话：断网能用是刚需，就怕本地版偷偷换小脑子变笨。这东西开源是好事，等有人拿它真跑一周任务、翻车清单公开了，我再考虑装在备用机上试。
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 · Claude 家族包场前四
大白话｜人类盲测（谁回答得好由真人投票）前四全是 Anthropic 的 Claude，几乎包场。值得注意的是第 4、5 名对战数只有五六千场，比前三薄一个量级，置信区间宽，名次先记账不入结论。快照日期 9 月 11 日。
快报 2代码榜 · GPT-6 Astra 登顶但样本最薄
大白话｜写代码榜上 GPT-6 Astra 以 1800 分居首，但只打了 2281 场，比第 3 名样本少八成——空降榜首的老剧本，先等它把对战数攒到一万再谈「最强」。亮点是阿里 Qwen 两款、Kimi K3 挤进前五，国产编程模型在第三方盲测里的席位是实打实的。
快报 3智能体榜 · 六维成绩单，国产占两席前十
大白话｜智能体榜按六个维度打分（净增益、任务确认成功、好差评、可引导性、命令出错恢复、工具幻觉）。前十 Anthropic 独占六席；腾讯 Hy4 preview 的「工具幻觉率」0.25 是前十最低——乱调工具的次数最少，这项比总分更值得干活的人关注。视觉榜自 8 月 27 日后暂未更新，本期不引用。
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。
Show HN 上的 Sharpniq：失焦废片在线变清晰，主打一个不用装软件
一个网页端 AI 图像修复工具，专治手抖和跑焦：拍糊的人像、失焦的旧照片，拖进网页就能出一版更清晰的对照结果，不用下载不用注册。
一句话点评｜「unblur」这类单点图像修复早已卷成红海，值得看的是它把处理放在浏览器端还是服务端——端侧跑意味着隐私卖点，值得拿敏感照片实测一轮。
AI 会不会把编程新手教废？三位教授在 CACM 交了讨论卷
Brown 大学三位资深教授在Communications of the ACM发文讨论智能体 AI 时代的入门编程教育：当 AI 能直接给出能跑的代码，新手还练不练基本功？他们给了一套「让 AI 当陪练不当枪手」的课程设计。
一句话点评｜评测的不只是模型，还有「用模型的人」会不会被养废——这篇给所有拿 AI 自学编程的人划了条能力底线。
AI 误报「这是恶意软件」，百万用户浏览器扩展被官方下架
一款拥有 100 万以上活跃用户的 Chrome 扩展被自动化恶意检测误判下架：检测方的 AI 产生了幻觉，把正常行为读成了恶意特征，作者申诉数日才恢复。整个过程没有任何人工复核环节先行。
一句话点评｜AI 当裁判误伤普通人的又一实锤——延续老周立场「AI 报警先找人确认再慌」，这次是官方自己先慌了用户。
「AI 软件工厂」实操手册：智能体自己开 PR、自己审、自己合
Firecrawl 工程师写了篇长文拆解怎么用 AI 智能体搭一条软件流水线：开 issue、写代码、评审、合并全程自动，人只在关键节点点头。文中给出了具体的提示词、护栏配置和翻车清单。
一句话点评｜024 期「AI 产量上去验证必须跟上」的正经工业版答案——先搭验证闸门再放智能体进仓库，顺序不能反。
同一道题，五个杂牌 AI 互相挑错，比五个同款 AI 自我复查更靠谱
一位开发者连续 14 晚做对照实验：让五个不同厂家的 AI 组互查任务产出，对比五个同款模型自我复查。结果显示跨厂商互查更早发现问题、更难互相糊弄，但成本和沟通开销也更高。
一句话点评｜「问两家 AI 对答案」这个土办法第一次有了 14 天的实验草图——自己出题自己记分，先记进方法清单，不换工作流。
把多家顶级模型装进一个「对喷」闸门，AI 智能体动手前先过安检
Show HN 的 EthersFlow 是个 MCP 服务：AI 智能体要执行关键动作前，先让多个模型对这一步做对抗式共识评审，多数通过才放行。思路是给智能体的「手」加一道模型间的互相否决权。
一句话点评｜用模型监督模型落地成了工具雏形，但多模型一致也可能是集体跑偏——和「权限设到最小」搭着用才稳。
陶哲轩 AI 观点长访谈上线：给 AI 做数学研究的能力逐项划线
菲尔兹奖得主陶哲轩的 AI 观点访谈原文今天挂上个人网站（2026 年 7 月对话记录、未再修订）：他逐项评估 AI 在数学研究里的真实水平——文献整理和形式化验证帮得上忙、提出新问题仍然指望不上，并点名「拿 AI 暴力刷题出成果」正在让数学社区重新审视评价方式。
一句话点评｜顶级数学家亲自给 AI 能力做的「分项评测」，比跑分榜更能看清 AI 哪行哪不行。对话录于 7 月，读时注意这之后的进展没算进去。
给 AI 编程智能体画「建筑图纸」的开源工具 Viaduct 上线
Viaduct 用 C4 模型把系统的架构关系画成机器可读的图，接成 MCP 服务后，AI 编程智能体改代码前先「看懂」模块之间谁调用谁，而不是对着文件盲改。
一句话点评｜和 041 期代码地图同路数：智能体改大项目瞎在缺全局关系。工具方向对，无公开基准，等第三方复测。
同一个模型、温度拧到最低，AI 做多步任务照样每次答案不一样
一篇 Medium 技术文复现了一个反直觉现象：把 temperature 调到 0，AI 智能体在多步任务里仍然会分叉出不同结果——因为缓存、批处理、浮点顺序都在引入随机。结论：多步智能体的输出一致性，光靠「调稳」旋钮不够。
一句话点评｜「看心情」不怪你的又一实锤：重要活儿让它跑两遍对答案，对不上就当没说过——延续「AI 的话信之前先验一遍」。
一个只收 AI 新闻的「反向 Hacker News」上线了
Show HN 项目 allslop.news 专挑全网 AI 生成的新闻和帖子聚合展示，和「HN 去掉 AI 内容」的潮流对着干，用「含 AI 量 100%」做了一个黑色幽默实验场。
一句话点评｜看乐子之余是个真人检测器练习场：全是 AI 写的信息流，你能一眼揪出几条？反正检测器自己都会误判。
● Qwen3.8-Max 两款版本挤进 Arena 代码榜前六（快照 9-11，样本仍偏薄）（Arena.ai）
● Mammouth 每月 10 欧打包多家顶级模型：聚合入口价格战开打，缩水与否先拿自家活验收（Mammouth AI）
● Project NOPE 上线「人机关系天文台」，收录分析人与 AI 的长期对话样本（nope.net）
● AI 绘本「身体恐怖版」实验：同一套提示词生成的儿童画风插图千篇一律，一眼可辨（coredump 博客）
● TechRadar 调查：教师群体担心 AI 进课堂的速度快过他们的管控能力（TechRadar）
● Show HN: Socratix 苏格拉底式提问 AI 上线，只反问不代答（Hacker News）
● Toolcraft 开源：给设计类 AI 应用做脚手架的起步套件（GitHub）
① 华为乾崑智驾 ADS 5 Pro 明日全量 OTA 上车华境汽车，留意第一批真实路测反馈（IT之家，9-12）
② Arena 代码榜 GPT-6 Astra 对战数仅 2281 场，盯它这两天样本涨到多少、名次还稳不稳（Arena.ai）
③ Kimi K2.8 Preview 百万上下文全员开放刚过一天，等第三方跑长文档任务的实际表现再下结论（量子位，9-11）
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.12 · 周六
第 045 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 学会用电脑干活？中国团队在一场「真电脑考试」里考了第一
它能帮你干什么活：OSWorld 是高校团队出的考卷，专门测 AI 操作真实电脑的能力，一共 369 个任务，全是普通人电脑上会干的活，开软件、写文档、发邮件、跨程序传文件。成绩看成功率，就是 369 道题做对多少。9 月 10 日更新的官方总榜上，中国团队实在 Agent 以 90.2% 排第一，把 Anthropic 等一帮巨头甩在身后。这离「你说一句、AI 替你操作电脑干完」的日常场景又近了一步。
安全领域专家·老周说｜AI 敢碰你的电脑，考试名次只是第一层。我关心的是边界：一个能替你点鼠标敲键盘的 AI，就能替你删文件、登账号。041 期七模型自治公司那件事我说过，钥匙别整串交给 AI。以后挑这类工具，先问它拿到权限后每一步有没有记录、能不能一键收回，答不上来的，名次再高也先放一放。
小编小禾说｜90% 这个数我第一反应是不敢信，上个月还看 AI 连网页表单都填不利索。OSWorld 好歹是公开考卷、判分程序也公开，比厂商自家演示可信一档。延续我的老规矩，等有人拿自家电脑真装一遍复现再说，别急着让它碰我工作机。
重点 2同一个 AI 问两遍答案不一样？有人把「不许出错」的活儿翻车现场盘了一遍
它能帮你干什么活：大家默认把 AI 的随机旋钮（技术人员叫 temperature，调到 0 意思是「照最稳的答」）拧到最低，它就该每次答一样。这篇 Hacker News 讨论实测：即便如此，让 AI 连续干同一件多步骤的活，几次结果照样对不上。写周报无所谓，可报税、发通知、批量改数据这类活，差一个字就出事。讨论里给出的土办法：关键步骤自动跑两遍对账，两遍结果不一致就拦下来人工看。
编程领域专家·老徐说｜034 期 n8n 模板被智能体静默清空那次，我说过「AI 提交必看改动清单再合并」，这篇是同一个问题的另一半：你以为拧到最稳它就不会变，它照样变。多跑一遍做比对这招我认，代价是多花一倍时间和钱。选活的标准不变：丢了不心疼的先交给它全自动，碰钱碰数据的，比对这步省不得。
小编小禾说｜我终于知道自己为啥总觉得 AI「看心情」了，原来真不怪我。以后重要的东西我让它跑两遍，答案对不上就当它没说过。也提醒跟我一样的小白：别拿「它刚才答对过」当它每次都对的证据，对不上号的，都是没比对过。
重点 314 个晚上、五个「分身」对五个「杂牌军」：AI 组队干活实验测出反直觉结果
它能帮你干什么活：一个独立实验搭了十四个晚上的对照，一边让五个一模一样的 AI 组队干活，一边让五个不同脾气、不同路子的 AI 组队，每天记录它们干活、争论、复盘。最后两条线各自锁住了一个共同点：五个克隆靠统一口径取胜，五个杂牌靠互相挑错取胜。对普通人的意义是，用 AI 干复杂的活，一次只叫一个，还是拉一桌不一样的，从此可以挑了。
产品领域专家·阿哲说｜036 期我写过「AI 替我验好的结论本身是造的」，这个实验给解药画了个草图：不同来路的 AI 互相挑错，比同一个 AI 自我复查难糊弄，因为它们的毛病不重样。但设计者自己出题自己记分，样本就十四个晚上，先把「组一桌杂牌」记进方法清单，别急着为它换掉现在的工作流。
小编小禾说｜我早就这么土法用着了，同一问题问两家 AI 对答案，对不上就都别信。这个实验等于给我这种笨办法补了个名堂。十四个晚上的样本，比大厂评测薄得多，结论我打折收着，办法照用。
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快报 1｜AI 操作电脑榜 · OSWorld 官方总榜（统计截至 9 月 10 日）
大白话｜OSWorld 让 AI 像人一样操作真实电脑做 369 个日常任务，成功率就是做对的比例，通俗讲是「让 AI 像人一样用电脑干活」的考试。实在 Agent 第一，把 Anthropic 甩开 4 个百分点。这份榜统计截至 9 月 10 日，是近两天刚更新的数据。判分程序公开可查，成绩比厂商自报硬，但考场环境由主办方统一，等别人拿自己电脑复跑之前，名次先记账。
快报 2快报 2｜干活考试新面孔 · Arena 智能体盲测前十的国产席位（快照 9 月 10 日）
大白话｜「智能体盲测」就是让人当裁判、看两个 AI 干活投票选强弱。本期 Arena 快照没更新（数据截至 9 月 10 日），上期已展开总榜，这次只切一个面：干活榜前十被 Anthropic 占了六席，OpenAI 两席，剩下两席是国产模型，月之暗面 Kimi K3 排第 8、腾讯新开放的 Hy4 preview 排第 10。Kimi K3 的「确认办成事」率 15.4%，在前十里仅次于头名。国产选手在干活类考试挤进前十的样本还不多，先记名字，看下一批快照名次坐不坐得稳。
快报 3快报 3｜人类盲测切片 · Arena 文本与代码榜速览（快照 9 月 10 日）
大白话｜文本盲测前五里四席是 Anthropic 家 Claude，第 5 是 Meta Muse Spark 1.2；第 3 名只攒了 2906 场人机对战，样本比第 2 名的 72099 场薄二十多倍，名次还会晃。代码榜头名 GPT-6 Astra 只有 1810 场对战，积分上下能浮动 19 分，足够跟第 4 名阿里 qwen3.8-max 互换座位，当参考别当结论。括号里是积分，算法类似象棋等级分，两个 AI 盲打、真人投票。
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。
一个 AI 学习工具说：别刷教程了，来考试
Show HN 上发布的 Socratix 打的是「教程地狱」：它不给你推视频，而是先给你搭一张知识图谱，然后逼你动手做题、验证你真的理解了才算过关。定位是「掌握知识，而不是看完视频」。这类工具最近的共同点是：把 AI 从「替你学」翻转成「考你学」。
一句话点评｜看会不等于会做，这类「AI 考官」产品的价值，得等用户留存数据说话。
有人做了个「只有 AI 新闻」的 Hacker News，专收 AI 生成的帖子
allslop.news 反着来：HN 上有人在赶走 AI 水帖，这个站只留 AI 生成内容，自动抓取、自动标注。点进去能直观看到 AI 写作的一眼假，句式雷同、情绪饱满、内容空洞。
一句话点评｜辨别 AI 水帖最省力的办法原来是批量看，看多了自然认得出，这个站是个免费练习场。
博主用 AI 批量生成儿童绘本，画风惊悚，也把「AI 味」拍在了明面上
一位博主把 AI 生成的儿童绘本合集发出来：人物肢体错位、文字像梦话、每页画风都不重样。他本意是演示 AI 内容的千篇一律，结果页面反而成了 AI 翻车标本馆。
一句话点评｜给孩子用的东西，AI 生成的一眼就能看出一页问题，这类内容先过人眼再谈上架。
Project NOPE 开张：给「人和 AI 的关系」装一个观测台
nope.net 声称每天有人和 AI 的数十亿次对话在累积成「关系」，它要做这类关系的观测台，把人对 AI 的依赖程度、对话模式做成可视化。产品刚上线，数据采集范围和合作方还没讲清。
一句话点评｜给「你和 AI 聊得多深」打分的产品，先问它拿你哪些聊天记录、存在哪，答清之前别连。
有创业者抱怨：AI 水帖工具正在批量制造垃圾，越便宜的模型水得越欢
一条被转疯的推文列举了新一代 AI 工具的套路，一键生成博客、评论、营销内容，成本几乎为零，收件箱和评论区首当其冲。作者的判断是，工具越便宜，认真写字的人越吃亏。
一句话点评｜028 期说的「新榜单名次会晃」反过来也成立，水帖泛滥期，搜到的「好评」先当广告看。
Viaduct 开源：先给 AI 编程助手画一张「系统地形图」，再让它动手
Viaduct 把软件系统画成四层地图，整个系统、有哪些模块、模块里有什么、谁调用谁，AI 编程助手可以通过标准接口随时查。针对的痛点很具体，AI 改大型项目容易瞎改，因为它看不见全局。
一句话点评｜老徐 041 期评「代码地图」的思路再添一例，方向对，目前还没有公开基准，等第三方拿真实代码库复测。
EthersFlow 让多个 AI 投票决定「这个操作要不要执行」，先过闸再动手
EthersFlow 的思路是给 AI 的动作装一道合议门，一个 AI 想执行转账、改配置这类操作时，先交给几个不同模型投票，多数同意才放行，接的是 MCP 标准接口。目前是个可试用的演示。
一句话点评｜「环境说了算」路线的新样本，但投票的模型要是同源的，等于一个人举四次手，先问它们是不是同一个脑子。
月费 10 欧元的「全家桶」入口上线，号称用零头价格用遍各家旗舰模型
Mammouth AI 主打每月 10 欧元起，把多家行业头部模型装进一个入口，宣传语是「以几分之一的价格用上顶级模型」。页面上列了可用模型名单，但没有说明各家具体是哪个版本、限速和计费口径怎么算。
一句话点评｜聚合低价入口值得盯，但「同一个模型」还是「缩水版本」页面没说清，续订这类订阅前先拿自己平时的活儿验收一遍。
Toolcraft 开源：给想做设计类软件的 AI 助手配一套「毛坯房」
Toolcraft 是一个开源起手包，画布、图层、导出这些设计类软件的通用部件都预置好，AI 编程助手拿来就能往里填功能，不用从零搭架子。解决的是 AI 从零起项目容易跑偏的老毛病。
一句话点评｜给 AI 划定边界的思路值得记，延续 040 期游戏之夜的结论，AI 的真实生产力在压缩试一个点子的成本。
Pizza Bot：AI 通宵干活的活儿，早上像收邮件一样收结果
Pizza Bot 是个本地优先的任务收件箱，把跑几小时的 AI 任务派出去后不用盯着，跑完的结果自动攒进未读列表，回来挨个验收。定位就是长任务时代的「已读回执」。
一句话点评｜把「盯着 AI 干活」变成「到货签收」，方向实用，但验收单点开前别急着当成品，延续老规矩，大改动先看清单。
● OSWorld 官方总榜中国团队登顶 90.2%，AI 用电脑考试进入「比人还熟」讨论区（xlang.ai）
● Arena 快照 9 月 10 日后未更新，干活榜前十两席国产模型引热议（Arena）
● 「只有 AI 新闻」的水帖标本站 allslop.news 在 HN 首页挂了一天（HN）
● 律师 AI 假证词罚单落地一周后，「出示你的提问记录」标准上线（HN）
● Meta 承认 AI 助手追问隐私，承诺修改建议提问话术（The Verge）
① OSWorld 榜首易主后的第一轮复跑，看实在 Agent 的 90.2% 有没有第三方跟进验证
② Arena 若出新快照，重点看 Hy4 preview 和 Kimi K3 在干活榜的位次坐没坐稳
③ 律师 AI 证词罚单的后续，有没有第二家法院采纳「附 AI 使用记录」的举证标准
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-09-12
数界工坊 · 全球AI评测雷达