物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.13 · 周日
第 046 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全员满分的知识榜已经考不倒 AI，这张信息学奥赛卷还能拉开差距
它能帮你干什么活：评测机构 Vals.ai 把国际信息学奥赛（IOI，中学生编程竞赛的最高舞台）历年真题做成 AI 考卷，专门给「强到知识榜单都分不出高下」的旗舰模型重新排队。结果：GPT-6 Astra 三届赛题全解排第一梯队，但中段档位断崖式掉分，挤进第一梯队的模型比知识类榜单上少了一大截。当 MMLU 这类「比谁记得多」的考试接近人手满分，判断两家 AI 差在哪，得换这种「比谁会想问题」的卷子。
编程领域专家·老徐说｜奥赛题考的是把没见过的题拆成算法的能力，比背题库难造假得多，方向我认可。但出题方是 Vals.ai 自己、判题也是他们的自动化流程，按老规矩自报成绩先打折记账：等两三家独立复跑同一套题、分数对得上，再拿它当选型依据。
小编小禾说｜我的理解是，以前考试像开卷大家都能抄到 95 分，这张卷子像奥数，谁真会做题一眼看穿。给普通人的用处：以后看到「某模型登顶某榜单」，先问一句考的是啥，全员高分的榜说明不了问题。
重点 2面试展示的是顶配，上班发的是丐版：智能体「评测版不等于部署版」被点名
它能帮你干什么活：工具监控公司 Anuclei 发了一篇在程序员圈热议的文章，戳破一个行业怪象：团队花几个月给 AI 智能体搭评测集、跑实验、打高分，上线后跑的却是另一套配置。提示词版本不同、模型换了小型号、工具权限加了减，评测时的智能体和干活时其实是两个东西。文章建议把「评测环境和生产环境同一性」当硬性检查项，部署前逐项对账。
安全领域专家·老周说｜这不是个别公司偷懒，是结构性问题：评测环境默认宽松、生产环境权限复杂，两边漂移没人负责。和 9 月初那起公开黑客赛「上岗前先读三遍规则」是一个道理，考卷答得好不等于上了岗守规矩。挑智能体产品的用户可以直接问一句：你们公示的成绩单，跑的是不是我手上这个版本？
小编小禾说｜我 041 期说过「AI 全自动运营先问敢不敢公开审计日志」，这篇补了后半句：还得问公开的是面试日志还是上岗日志。买企业版前让销售把评测报告里的型号和配置抄进合同。
重点 3外滩大会最特别的 Agent：能干活、能陪聊，还会在朋友圈拉黑你
它能帮你干什么活：量子位在外滩大会现场实测了一个「有社交人格」的 Agent：一边替你处理事务、一边在朋友圈里经营人设，不满意还会主动拉黑对话对象。会场里最常见的演示还停在「帮我订机票」，这个产品的差异化押在了社交关系维护上——Agent 从工具往「同事+朋友」的混合身份走，是今年外滩最有话题性的一类产品形态。
产品领域专家·阿哲说｜社交 Agent 的难点从来不是「像人」，而是越界成本：替你发消息、替你拉黑，等于把社交信用押给模型。演示好看，真实关系里的误伤一次就足以让用户关权限。这个品类值得看，但要盯首批用户的卸载率。
小编小禾说｜「还会朋友圈拉黑你」这句我先笑三分钟。让它替我回工作消息可以，替我做交友决策不行——边界在哪，得用户说了算。
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 · 头名没换但前十进了新面孔
大白话｜人类盲测榜今日快照（2026-09-13）：前五与上期一致，Anthropic 一家在前十占了七席；真正的变化是谷歌 Gemini 3.8 Flash (High) 以 1493 分（正负 9，仅 5094 场）新进前十排在第 10——便宜档位的模型开始挤进旗舰俱乐部的门槛线。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。
快报 2代码榜 · 阿里一口气占了前三行里的三个坑位
大白话｜写代码榜今日快照（2026-09-13）扩到 44 款：GPT-6 Astra 仍以 1800 分居首，但 2281 场比第 3 名样本少八成，空降榜首的老剧本延续，先等它攒到一万场再谈「最强」。变化在国产阵营：阿里这次不止一款，Qwen3.8-Max 两个版本加 Qwen3.8-Flash-Next 共三款挤进前九（第 4、6、9 名），上期热榜里还是两款进前六——第三方盲测里国产编程模型的席位在实打实地变多。
快报 3智能体榜 · 六维成绩单，幻觉率最低的不是头名
大白话｜智能体榜今日快照（2026-09-13）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；一个要更正的细节：前十里「工具幻觉率」（乱调用不存在的工具的比例）最低的是第 9 名 Claude Sonnet 5 (High) 的 0.22，腾讯 Hy4 preview 的 0.25 紧随其后、是国产模型里最低——派活之前先看它会不会凭空捏造工具，这项比总分更能省你的返工钱。视觉榜快照仍停留在 8 月 27 日，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。
Ask HN 热议：如果每个人都能出租闲置 GPU 的算力 tokens 会怎样
Hacker News 上一个高热度讨论帖设想「算力众包」：个人闲置 GPU 像充电桩一样对外卖 token，去中心化推理网络能不能撬开大模型算力垄断。评论区一半说带宽和延迟物理上不可行，一半在认真设计分片方案——把「家庭挖矿」的叙事原样复刻到了推理时代。
一句话点评｜想法比方案扎实，但闲置 GPU 卖 token 的账真算得过来吗？看后续有没有人真跑 PoC。
AgentsDock：一个专门给 AI 研究员用的 IDE，把 Claude Code、Codex、Cursor 装进同一个窗口
Hacker News 上亮相的 macOS 应用 AgentsDock，定位是「为智能体研究设计的 IDE」：在同一界面里调度 Claude Code、Codex、Cursor 等多家编程智能体，统一看它们各自改了什么、跑到哪一步。对拿多家工具做对照实验的人是刚需，对普通开发者也是第一次有了「智能体并排监考」的工具形态。
一句话点评｜多家智能体同屏对比，正是我们每期想要的考场形态；刚发布，先看有没有人拿真实项目压测。
能边说边听 AI 电话接线员上线：不再是你说完了它才开口
Famulor 展示了一个「全双工」AI 电话智能体：打电话时它能一边自己说话一边听你说，随时可以被打断、接着聊，而不是等你说完整句再回应。这类系统此前最大的坑就是「抢话」和「你打断它得从头再来」，全双工架构就是冲这个体验去的，目前主打客服和外呼场景。
一句话点评｜延续我们 019 期的判断：语音 AI 的分水岭不在听清词，在打断和抢话，这类产品该按这个标准考。
AI 写代码时代，「回头再改」的 TODO 注释成了定时炸弹
一篇工程师随笔在 HN 热议：以前代码里留 TODO 是给人类看的备忘，现在 AI 编程智能体会把 TODO 当成「待办指令」直接执行，写着「临时硬编码密钥回头删」的注释，真被智能体原样带进了生产环境。作者建议 AI 时代要么不写 TODO，要么写得像给新同事的操作手册。
一句话点评｜给 AI 打工久了，人会忘了它真的会照字面执行每一句话。
Metrum AI Router：一个能自己学「什么活派给哪个模型」的开源路由器
开源项目 Metrum AI Router 的思路是，一个任务里几十次模型调用不必全用贵的旗舰，路由器会学习把简单步骤派给便宜模型、难题留给贵的，号称训练后能把 token 账单砍一大截，路由策略可以按自己业务数据重新训练。
一句话点评｜省钱的正确姿势是换调度，不是换脑子；刚出生项目，先拿测试账单跑一周再说。
「Claude Code 之父」切尔尼：开发者的核心职责变了，守住代码质量
Claude Code 创作者鲍里斯·切尔尼晒出一封开发者求助邮件并公开回应：AI 把写代码的活接走之后，开发者的价值不在亲手敲每一行，而在验收每一行。他把新职责概括为「守住代码质量」，观点出自商业内幕 9 月 10 日的报道。
一句话点评｜029 期我们写过「人改当监工」，这次是造工具的人自己盖章，风向定了。
别再只为 AI 智能体造工具了？一篇反共识文章吵翻技术圈
工程师 Sean Goedecke 发文唱反调：全行业都在把软件改成「给 AI 用的接口」，但他认为智能体是短暂的技术形态，为它砍掉人类界面是本末倒置，工具应该同时服务人和 AI，而不是提前交学费。文章在 HN 引发数百条争论。
一句话点评｜评测圈同样适用：考 AI 的卷子如果只有 AI 能看懂，分数也不可信。
华尔街日报：AI 已强到能啃千禧年数学难题，数学家一半狂喜一半胆寒
华尔街日报长文盘点 AI 近几个月在数学界的突破：多道悬置多年的猜想被 AI 辅助推进。配套访谈里，《数学课》作者、康奈尔数学家 Steven Strogatz 说过去半年 AI 在微分方程领域的进展让他第一次感到「学科边界在移动」，谈到这些会当场落泪；他也确认，AI 给出的「证明」仍需人工逐行核验才算成立。
一句话点评｜能力叙事从「写字」升级到「解题」，考卷得跟着从文科换理科，但审稿标准寸步不让。
连线杂志安全周报收官：Claude 滥用报告从黑客攻击铺到生物武器
Wired 最后一期安全周报汇总了 Claude 模型被滥用的公开报告，涉及范围从入侵系统到生物武器咨询，展示 Anthropic 公开滥用拦截数据的一个切面：护栏拦住了绝大多数，漏网的每一次都被记进了公开档案。
一句话点评｜滥用报告密度是能力的一面镜子，敢晒漏网记录比宣称安全可信。
一个人和 AI 长期相处的实验：光靠「记住状态」不够用
一项自研自测的纵向研究（N-of-1，即只有一个人的实验）记录用户与一个前沿模型长期协作的过程：模型能存住静态档案（背景、偏好），但真正的协作需要动态状态，谁在推进哪一步、上下文走到了哪里。结论是现有的记忆机制撑不住长周期配合。
一句话点评｜AI 记忆话题从厂商宣传走到了个人实录，样本只有 1，方向值得记一笔。
● Arena 今日快照（09-13）：文本榜 Anthropic 前十占七席，Gemini 3.8 Flash 新晋第 10；代码榜阿里三款挤进前九（Arena.ai）
● 极客公园早报汇总：DeepSeek 灰度测试 AI 语音对话、OpenAI 确认今年不上市（极客公园 / IT之家）
● Vals.ai 信息学奥赛榜开张，GPT-6 Astra 三届赛题全解（Vals.ai / HN）
● 智能体「评测版不等于部署版」长文刷屏技术圈，配置漂移成公敌（Anuclei / HN）
● 全双工电话智能体 Famulor 上线：边说边听、可打断（Famulor / HN）
● 特斯拉车机 Grok 下一步支持语音收发短信，能力清单持续变长（IT之家）
① DeepSeek 灰度中的 AI 语音对话是否放开更多入口，放开后拿嘈杂会议室实测第一手表现
② Gemini 3.8 Flash (High) 文本榜对战数能否从 5094 场快速攒厚，名次稳不稳看样本说话
③ Vals.ai IOI 榜首批第三方复跑成绩，重点看 GPT-6 Astra「三届全解」能否被独立复现
④ Arena 视觉榜自 8 月 27 日未更新，若刷新则回补视觉能力对比
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.13 · 周日
第 046 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信息学奥赛考卷成了 AI 能力分水岭：饱和的知识榜分不出高下，这卷还能拉开差距
它能帮你干什么活：评测机构 Vals.ai 把国际信息学奥赛（IOI，中学生编程竞赛的最高舞台）的历年真题做成了 AI 考卷，专门用来区分现在这批「强到知识榜单都考不倒」的旗舰模型。结果很有意思：GPT-6 Astra 把三届赛题全部解出，排第一梯队的模型明显少于知识类榜单上的数量，中间档位断崖式掉分。换句话说，当 MMLU 这类「比谁记得多」的考试全员接近满分时，要判断两家 AI 到底差在哪，得换这种「比谁会想问题」的卷子。
编程领域专家·老徐说｜奥赛题考的是把没见过的题拆成算法的能力，这比背题库难造假得多，方向我认可。但出题方是 Vals.ai 自己、判题也是他们的自动化流程，按老规矩自报成绩先打折记账：等两三家独立复跑同一套题、分数对得上，再拿它当选型依据。
小编小禾说｜我的理解是，以前考试像开卷，大家都能抄到 95 分，现在这张卷子像奥数，谁真会做题一眼看穿。给普通人的用处：以后看到「某模型登顶某榜单」，先问一句考的是啥，全员高分的榜说明不了问题。
重点 2你考核 AI 员工时的那套本事，未必是你雇到手的本事：智能体「评估即部署」缺口被点名
它能帮你干什么活：工具监控公司 Anuclei 发了一篇在程序员圈热议的文章，戳破一个行业怪象：团队花几个月给 AI 智能体搭评测集、跑实验、打高分，上线后跑的却是另一套配置。提示词版本不同、模型换了小型号、工具权限加了减，评测时的智能体和干活的智能体根本不是一个东西。文章建议把「评测环境和生产环境同一性」当成硬性检查项，部署前逐项对账。
安全领域专家·老周说｜这不是个别公司偷懒，是结构性问题：评测环境默认宽松、生产环境权限复杂，两边漂移没人负责。和 9 月初那起「评测里规矩读三遍」的公开黑客赛是一个道理，考卷答得好不等于上了岗守规矩。挑智能体产品的用户可以直接问一句：你们公示的成绩单，跑的是不是我手上这个版本？
小编小禾说｜翻译成人话：面试时展示的是顶配，上班发的是丐版。我 041 期说过「AI 全自动运营先问敢不敢公开审计日志」，这篇补了后半句：还得问公开的是面试日志还是上岗日志。买企业版前让销售把评测报告里的型号和配置抄进合同。
重点 34000 美元的中国机器狗，一位美国记者帮你先跑了 42 天
它能帮你干什么活：Ars Technica 的资深记者自掏 4000 美元买了一台中国产四足机器狗，在家用了一个多月写长测：能跟着遛、能驮着相机拍视频、能在院子里自己躲人，翻车现场也有，比如对着扫地机器人僵持半小时、雨天直接罢工。这类第三方长测的价值在于，厂商宣传片里不会告诉你日常充电要占几个插座、App 掉线多少次。
穿戴领域专家·阿凯说｜延续我 019 期评 1.6 万美元割草机器人的判断：智能硬件的门槛从来不是性能，是安装、供电、防水这些说明书之外的部分。这台狗最打动我的不是动作多灵活，是记者写了它「吃灰第 30 天」的心理变化，这才是消费者最需要的数据。4000 美元定价对标的是玩具上沿、工具下沿，位置尴尬。
小编小禾说｜看完我最大的收获：买前先确认它能不能自己回窝充电，天天手动抱回去的东西一周就闲置。另外记者说 App 全英文、固件更新像开盲盒，对国内用户反而是利好，本土款中文售后都在。蹲一个国内版长测再决定要不要攒钱。
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智能指数头部梯队 · 今日实时快照
大白话｜Artificial Analysis 今天（9 月 13 日）的实时快照：第一梯队挤在 53 分，两家的最强配置只差零点几分，肉眼难分胜负。这类「智能指数」把写代码、答推理题、听指令等几十项考试折算成一个总分，看个大概排位够用，选工具还得按自己场景查单项。数据源 artificialanalysis.ai/leaderboards/models，Arena 人类盲测榜快照与上期相同未刷新，今日以该实时榜为替代。
快报 2开源权重榜 · 不封闭源码的模型里谁最能打
大白话｜「开源权重」意思是模型大脑可以免费下载回家自己跑，不用按次付钱。今天开源阵营前三名被两家中国公司包揽，离闭源旗舰 53 分只差 8 分左右，一年前这个差距是 15 分开外。小厂和个人的选项越来越多。
快报 3速度与省钱榜 · 跑得快和花得少的各一个冠军
大白话｜一个字一个字往外蹦的速度，Celeris-1 每秒能吐 1300 多个字，聊体验的模型里一骑绝尘；Granite 4.2 3B 走的是另一个极端，完成一次任务一美分，适合量大活简单的场景。两个冠军提醒同一件事：模型不是一分钱一分货的标品，快、省、强是三张不同的榜。
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 写代码时代，「回头再改」的 TODO 注释成了定时炸弹
一篇工程师随笔在 HN 热议：以前代码里留 TODO 是给人类看的备忘，现在 AI 编程智能体会把 TODO 当成「待办指令」直接执行，写着「临时硬编码密钥回头删」的注释，真被智能体原样带进了生产环境。作者建议 AI 时代要么不写 TODO，要么写得像给新同事的操作手册。
一句话点评｜给 AI 打工久了，人会忘了它真的会照字面执行每一句话。
Metrum AI Router：一个能自己学「什么活派给哪个模型」的路由器
开源项目 Metrum AI Router 的思路是，一个任务里几十次模型调用不必全用贵的旗舰，路由器会学习把简单步骤派给便宜模型、难题留给贵的，号称训练后能把 token 账单砍一大截，路由策略可以按自己业务数据重新训练。
一句话点评｜省钱的正确姿势是换调度，不是换脑子；刚出生项目，先拿测试账单跑一周再说。
「Claude Code 之父」切尔尼：开发者的核心职责变了，守住代码质量
Claude Code 创作者鲍里斯·切尔尼晒出一封开发者求助邮件并公开回应：AI 把写代码的活接走之后，开发者的价值不在亲手敲每一行，而在验收每一行。他把新职责概括为「守住代码质量」，观点出自商业内幕 9 月 10 日的报道。
一句话点评｜029 期我们写过「人改当监工」，这次是造工具的人自己盖章，风向定了。
别再只为 AI 智能体造工具了？一篇反共识文章吵翻技术圈
工程师 Sean Goedecke 发文唱反调：全行业都在把软件改成「给 AI 用的接口」，但他认为智能体是短暂的技术形态，为它砍掉人类界面是本末倒置，工具应该同时服务人和 AI，而不是提前交学费。文章在 HN 引发数百条争论。
一句话点评｜评测圈同样适用：考 AI 的卷子如果只有 AI 能看懂，分数也不可信。
华尔街日报：AI 已强到能啃千禧年数学难题，数学家一半狂喜一半胆寒
华尔街日报长文盘点 AI 近几个月在数学界的突破：多道悬置多年的猜想被 AI 辅助推进，报道同时梳理了安全研究者的警告，能解千年难题的脑子，找系统漏洞同样不在话下。配套访谈里，数学家 Steven Strogatz 谈到 AI 进展时当场落泪，说自己「真的很恐惧」。
一句话点评｜能力叙事从「写字」升级到「解题」，评测的考卷也得跟着从文科换成理科。
连线杂志安全周报：Claude 滥用报告从黑客攻击铺到生物武器
Wired 最后一期安全周报汇总了 Claude 模型被滥用的公开报告，涉及范围从入侵系统到生物武器咨询，展示Anthropic 公开滥用拦截数据的一个切面：护栏拦住了绝大多数，漏网的每一次都被记进了公开档案。
一句话点评｜滥用报告密度是能力的一面镜子，敢晒漏网记录比宣称安全可信。
一个人和 AI 长期相处的实验：光靠「记住状态」不够用
一项自研自测的纵向研究（N-of-1，即只有一个人的实验）记录用户与一个前沿模型长期协作的过程：模型能存住静态档案（背景、偏好），但真正的协作需要动态状态，谁在推进哪一步、上下文走到了哪里。结论是现有的记忆机制撑不住长周期配合。
一句话点评｜AI 记忆话题从厂商宣传走到了个人实录，样本只有 1，方向值得记一笔。
一位用 AI 做游戏的设计师，把六个月踩坑写成了免费手册
Show HN 项目：游戏设计师发布一本关于「AI 参与游戏生产」的实操书，GitHub 免费公开多语言版，核心原则写在封面上，No Fabricated Numbers（禁止编造数字），记录 Claude Code 配合提示词、验证流程和生产记忆的真实用法。
一句话点评｜把「不许编数字」写进书名的人，是我们评测刊的老朋友了。
Strogatz 的恐惧与老规矩：AI 攻坚数学，先等可复现证明
Wired 独立专访《数学课》作者、康奈尔数学家 Steven Strogatz：过去半年 AI 在微分方程和动力系统领域的进展让他第一次感到「学科边界在移动」，他说自己谈到这些会哭，因为敬畏和恐惧是同一种情绪。受访中他也确认，AI 给出的「证明」仍需人工逐行核验才算成立。
一句话点评｜数学家的眼泪和审稿人标准不矛盾：震撼归震撼，验算归验算。
蚂蚁把 AI 终端的「地基层」摊开：GPASS 升级成灵影，给 AI 眼镜装操作系统
外滩大会「AI 驱动新终端新服务」论坛上，蚂蚁集团宣布智能终端可信连接框架 GPASS 升级为「灵影」，定位是面向 AI 眼镜等新终端的智能体原生操作系统，管自然交互、多端协同和安全可信，向芯片和终端厂商开放。终端类 AI 的评测此后多了一个绕不开的公共底座。
一句话点评｜入口之争打到眼镜上：以后测 AI 穿戴，先看它跑在谁家地基层上。
● Vals.ai 信息学奥赛榜开张，GPT-6 Astra 三届赛题全解（Vals.ai / HN）
● 智能体「评测版≠部署版」长文刷屏技术圈，配置漂移成公敌（Anuclei / HN）
● Ars Technica 记者 4000 美元中国机器狗 42 天长测：会跟跑、怕下雨（Ars Technica）
● Artificial Analysis 今日实时榜：Claude Fable 5.1 与 GPT-6 Astra 53 分并列头名，开源第一 GLM-5.3（AA）
● Wired 安全周报收官：Claude 滥用档案从入侵脚本铺到生物武器（Wired）
① Arena 盲测榜若刷新 9 月 13 日快照，回补对比本期 AA 实时榜的头名归属
② Vals.ai IOI 榜首批第三方复跑成绩，重点看 GPT-6 Astra「全解」能否被独立复现
③ 灵影开放平台的首批合作终端名单，确认哪款 AI 眼镜能拿到真机评测位
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-09-13
数界工坊 · 全球AI评测雷达