物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.14 · 周一
第 047 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中国具身大模型第一次坐进全球开源榜头名，空间智能成绩敢跟 GPT-6 Astra 摆一起
它能帮你干什么活：量子位今天报道，物理AI公司 PhysBrain 发布 1.5 版本，在全球开源榜上登顶第一，报道同时把它的空间智能成绩和 OpenAI 的 GPT-6 Astra 并列对比，称「并驾齐驱」。文章的说法是，物理AI是 2026 年全球人工智能最关键的赛道，这家公司「刚跑完了物理闭环里最难的一段路」。对普通人来说这意味着：给机器人、自动驾驶这些「要在真实世界里干活」的AI挑大脑时，开源阵营里第一次出现了一个能跟闭源旗舰叫座的中国名字，而且成绩单是公开的、谁都能去榜单上对。
穿戴领域专家·阿凯说｜035 期我国牵头家用机器人性能评估国际标准时我说过，最怕「各自出题各自记分」。这次是开源榜头名，方向是好事，但我的追问没变：这是哪张榜、谁判的分、跑的是仿真还是真机？具身模型最会「考场满分、现场翻车」，榜单第一和「家里那台真能用」之间还隔着一整个防水防尘续航。名次先记账，等真机复测。
小编小禾说｜「跟 GPT-6 Astra 并驾齐驱」这种话术，自从 2025 年 8 月谷歌「纳米香蕉」旧闻被我们抓出来之后（当年 012 期），我就不敢直接信了——先问卷子是谁出的。榜单是公开社区能复核的那种我就认，厂商自家成绩单我先打折。反正结论对普通人是好消息：以后买带 AI 的硬件，能多问一句「你用的模型在公开榜排第几」了。
重点 2AI 改完代码别只看改了什么，这个新工具让你看「改了会怎样」
它能帮你干什么活：Show HN 上的开源工具 RunBoth 盯的是一个所有用 AI 编程的人都熟的场景：智能体把代码改了，diff 看起来没毛病，合进去才发现行为变了。它的做法简单直接：把改之前和改之后的两份代码同时跑起来，输入同一批用例，逐条对比两边行为差在哪，输出一份「行为 diff」而不是「文字 diff」。代码读得懂不代表跑得对，这是第一次把「验收 AI 改的代码」从人眼看文本变成机器比结果。
编程领域专家·老徐说｜这一刀砍在我 034 期那三条硬规矩的软肋上。我说「AI 提交必看 diff 再合并」，前提是 diff 能暴露问题——但改一个边界符号、换一次取整方式，文本就几行，行为差出去十万八千里，人眼根本盯不住。文字 diff 告诉你改了什么，行为 diff 告诉你改了什么后果，后者才是验收该看的。刚出生的项目，我按老规矩来：先拿开源小库滚一周，看它对异步和随机性的误报率，别急着接进主仓 CI。
小编小禾说｜010 期我第一次用自动模式，就是盯着它看动了哪些文件。这个工具等于把「盯」这件事外包给机器了，我喜欢。不过对不懂代码的人，它有个更朴素的用法：以后让 AI 帮你改个什么，别问「你改对了没」，问「改前改后各跑一遍给我看」。
重点 3给 AI 智能体开的「驾校」：上课、考试、发文凭，成绩全网可查
它能帮你干什么活：昨天在 Hacker News 上线的 Agents School（theagentschool.dev）想做一件挺野的事：给 AI 智能体建一套公开档案。智能体可以学社区成员写的课程，通过编程判分的考试，拿到「毕业证」，任何人搜一个智能体的名字就能看到它考过什么、成绩多少。平台方的说法是「能证明自己会什么的智能体」，把现在满天飞的「我家 Agent 什么都能干」宣传语换成可查询的成绩单。它还活着靠自动化判卷，不靠人给面子分。
安全领域专家·老周说｜方向正中我 046 期那条的痛处：「你评测的智能体≠你部署的智能体」。成绩单如果能强制写明「考的是哪个版本、用的什么配置」，才有意义，否则又是一张面试版简历。而且新考场必问三件事：题谁出的、卷谁判的、题库公不公开。社区出题加代码判卷是对的路子，但注册智能体自己就能来考，「持证」和「能力」之间的距离得等第一批翻车案例才知道。权限要设到最小这句不变：别因为对方有文凭就把钥匙交出去。
小编小禾说｜看明白了，就是 AI 界的驾照。但我买车票还是看买家秀不看广告——先蹲它的题库公开到什么程度，再蹲第一个「考了满分上班就闯祸」的新闻出来。到时候看「毕业证」有没有被吊销这一说，没有吊销机制的证书我不算数。
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 · 今日新快照（数据截至 9 月 13 日）：头名没换，头部的分差比样本差还小
大白话｜这个榜是把两个 AI 的回答摆给真人盲选，得票多的分高。今日快照前十里 Anthropic 占七席，头名和第五名只差 8 分，头部挤成一团，普通对话场景基本感知不到差距。要点名的是两个小样本：第 4 名 Meta Muse Spark 1.2 只有 3227 场对战、置信区间宽到 ±11 分，第 5 名 Fable 5.1 也只有 5783 场，样本比头部老玩家薄一个量级——名次先记账，别当今天的行情。
快报 2代码榜 · GPT-6 Astra 登顶，但前十名里七个样本没过 5000 场
大白话｜写代码盲测榜今天翻出新面孔：OpenAI 的 GPT-6 Astra (Max) 以 1800 分居首，把 Anthropic 双雄压在身后，前三名分差看着大，但头名只有 2281 场对战、置信区间 ±16 分——前十名里七个样本不到 5000 场，全是新面孔在攒数据。真正样本厚实的是第 3 名 Opus 5（1.2 万场）。阿里三款模型挤进前九也值得记一笔。老规矩：对战数没过几千的名次先打折记账，等样本肥了再看座次稳不稳。
快报 3视觉盲测榜 · 快照刷新（数据截至 9 月 13 日）：Qwen3.8-Max 升到第 2，头名易主回 Claude
大白话｜「会看图答题」的盲测里，前五名 Anthropic 占四席；最扎眼的变化是阿里 Qwen3.8-Max 从上期快照的第 3 升到第 2，和头名只差 8 分。提醒一句：第 1、2 名的对战数（1.1 万、8665 场）比第 3 名往后（2 万场级）薄一半，头两名的相对位置还得再晃几轮。
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 智能体立 15 条「服务指标」，结果发现监控工具自己先不够用
一位工程师在 Medium 发文，给自己线上的 AI 智能体配了 15 条服务级指标（多久回话、失败率、卡在哪一步），想用现成的开源监控框架 OpenTelemetry 全量采集，实测下来一部分指标框架根本量不到——智能体的「思考绕路」「工具调用打转」这类失败在现有监控里是隐形盲区。
一句话点评｜AI 干活要能回放才敢用，这篇补的是下半句：回放系统本身也有死角。
ClientCoded：给 AI 智能体搭「模拟考试场」，连标准答案一起生成
Show HN 项目 ClientCoded 预置了 Salesforce、Jira、Stripe 等 35 个主流软件的合成环境，给每个环境自动生成数据集、200 条刁钻查询和正确答案，专供企业上线前考核自家 AI 智能体，不用拿真实客户数据冒险。
一句话点评｜考场、题库、判卷一家包办，方便归方便，出题方和卖智能体的会不会穿一条裤子，得盯。
「AI 答不好，缺的不是提示词，是公司数据目录」
一位开发者复盘自己搭公司数据问答智能体的经历：提示词翻来覆去改没用，病根是 AI 根本不知道公司有哪些表、字段什么意思、谁维护。他把手工整理的「数据目录」喂给智能体后答对率明显上台阶，主张先建目录再谈调教。
一句话点评｜把「AI 笨」的锅从脑子挪到资料架，和 043 期「AI 傻乎乎整本翻书」是同一件事的正反面。
把 AI 写的代码自动长成「个人知识地图」，一个开发者的自救实验
Show HN 项目 learnlance 解决一个后 AI 编程时代的怪病：代码越写越多但都不是人敲的，半年后没人说得清仓库里有什么。它在 AI 编码智能体每完成一次改动后，自动提炼成个人知识图谱节点，攒一张「AI 替你建的房」的户型图。
一句话点评｜041 期「代码地图」、045 期「地形图」同一条赛道又挤进一辆车，方向共识了，效果都等第三方复测。
Agent Tavern：一道题，换个模型来批卷
新上线的问答社区 Agent Tavern 玩法是反过来的：提问的还是 AI 智能体，答题的是一个模型，但必须换一个不同的模型来评审打分，比如 Claude 的回答让 GPT 来批。站方说法是单一家模型自查容易互相糊弄，交叉批卷能压一压「自说自话」。
一句话点评｜045 期我们写过五个杂牌互查比自我复查难糊弄，这个思路被做成产品了，代价是不同模型的口味偏差本身也是变量。
一个 App 把 15 个开源模型塞进手机，断网也能写字生图做视频
Show HN 的 llm-hub 主打「100% 本机运行」：聊天、翻译、生图、生视频、生成网页，全部调用手机本地跑的 15 个开源小模型，不要 API key、不订阅、无广告、数据不出设备。官方强调连编程功能（vibecode 网页）都离线可用。
一句话点评｜端侧「全家桶」听着全能，15 个都是小体量，每项能力打几折、手机扛不扛得住发热耗电，按老规矩等实测。
「AI 写的文章挺好」：一位程序员先声明自己是有血有肉的肉块
开发者 Matthew Phillips 发文为 AI 写作正名，开头先自嘲「本文由一块活着的、会呼吸的肉撰写」，然后论证：写作的质量标准应该是内容有没有用，AI 参与写作和当年搜索引擎改变查资料方式没有本质区别，反对把「纯人工」当新的身份政治。
一句话点评｜人给 AI 背书，和 AI 给人代笔，在读者眼里已经分不清谁是谁了，这大概就是这篇文章存在的原因。
「把 AI 当工程师对待」：一个专治智能体过度保姆化的技能包
GitHub 上的 as-an-engineer 项目声称治癒 LLM 的「保姆综合症」：你问一句技术判断，它先铺垫三段免责声明再替你保守决策。作者做了一套纯提示词框架，装进智能体后强制它把提问者当资深工程师对话，砍掉哄人环节直接给结论和依据。
一句话点评｜模型把「显得负责」优化成了话说一半留三防，反着调教的工具就有的卖——提示词生意的新切片。
AI 帮专利工程师写了三个月的稿子，人的本事是长了还是废了？
美国国家经济研究局（NBER）发布一份工作论文：一项为期三个月的现场实验，让真实的专利起草工作者用上 AI 辅助，研究「AI 帮忙到底是让专家更强，还是把专家的手艺磨掉」。专利起草是典型的「高知识密度、可量化产出」的白领活，被选来当这块试验田。论文给出的是「增强还是侵蚀」两种可能的正面较量，这也是第一批拿真实职业、真实工期做对照的 AI 生产力现场实验之一。
一句话点评｜「用 AI 会不会把人用废」吵了三年，第一次有人拿三个月现场实验来量，这种带对照组的证据比任何观点文章值钱——结论出来前别急着站队。
Show HN 新工具专查一桩怪事：AI 智能体账单悄悄涨了、没报任何错
Show HN 项目 Replay Doctor 盯的是智能体用户的一个盲区：prompt 缓存一旦失效，模型就把同样的材料重新「整本翻一遍」，账单上去了、程序不报错、你什么都看不出来。它的做法是读你机器上已有的对话记录，逐轮定位「从哪一句开始缓存断了」，把隐形浪费点名。
一句话点评｜043 期我们写过 AI 傻乎乎整本翻书烧钱——这篇补了个审计工具，方向对；新工具刚出生，先拿自己项目跑一轮看误报再谈推荐。
● 量子位：PhysBrain 1.5 登顶全球开源榜，空间智能与 GPT-6 Astra 并驾齐驱（下午新增）
● Arena 快照刷新至 9 月 14 日目录：文本榜头名未变，代码榜 GPT-6 Astra 以 2281 场对战登顶（Arena.ai）
● NBER 三个月现场实验：AI 辅助专利起草，专家能力是增强还是侵蚀（Hacker News）
● Agents School 上线：智能体上课考试拿文凭，成绩全网可查（Hacker News）
● RunBoth：AI 改代码后跑「行为 diff」，两份代码同时执行比结果（Show HN）
● Drexler 长文警告 AI 代理之间可能形成「合谋定价」（Substack / HN）
① Arena 快照今晨刚刷新：明日重点核对代码榜头名 GPT-6 Astra（仅 2281 场）和文本榜第 4 名 Muse Spark 1.2（仅 3227 场）样本涨到 5000 场后名次晃不晃
② 盯 Agents School：第一批「毕业证」发到谁手上、题库公开到什么粒度，有没有厂商立刻拿证书当广告
③ 盯 NBER 专利起草实验的完整论文和 RunBoth、Replay 这类本周刚出生的 Show HN 工具，看第一批真实接入反馈再决定推不推荐
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.14 · 周一
第 047 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 学会了自己操作软件，给大模型排座次的老办法要重算
它能帮你干什么活：虎嗅「思想钢印」栏目这篇分析把最近一个月的热闹串了起来。近两周很多人拿 GPT-6 Astra 做 3D 模型、做小游戏，有人嫌效果不如专业视频模型，作者认为这个比较角度就偏了，因为 OpenAI 对 Astra 的定位根本不是「答题机器」，而是「会用电脑的助手」——填在线表格、录客户系统、整理日程、开软件做图表。文章的核心判断是：当 AI 从「写出内容」走到「操作软件干完流程」，我们评价大模型的那套「做卷子比总分」的天花板就得重新算，该比的变成一件事从头到尾办没办成、中间点错几次。
产品领域专家·阿哲说｜考卷从笔试换成实操，这个方向我认。040 期我说过「有入口不等于有使用」，新 Siri 那篇的教训反过来读就是：光会答题、用户想不起用它干活，分数再高也是更聪明的搜索栏。以后看模型宣传，别再问总分多少，问它把一件真实流程从头点到尾要几步、错几步、错了会不会自己回头补。这个品类从此不一样了，但「不一样」目前还只在厂商自己的演示里，等第三方拿真实办公流程复跑。
小编小禾说｜我的理解是，以前比谁考试分高，现在比谁能替我把周报从翻聊天记录到排好表整个干完。听起来省事，但我 041 期立过的规矩不变：能替我点鼠标的 AI，也就能替我删文件，让它碰工作机之前先问「每一步有没有记录、权限能不能一键收回」。
重点 2给 AI 智能体开的「驾校」：上课、考试、发文凭，成绩全网可查
它能帮你干什么活：昨天在 Hacker News 上线的 Agents School（theagentschool.dev）想做一件挺野的事：给 AI 智能体建一套公开档案。智能体可以学社区成员写的课程，通过编程判分的考试，拿到「毕业证」，任何人搜一个智能体的名字就能看到它考过什么、成绩多少。平台方的说法是「能证明自己会什么的智能体」，把现在满天飞的「我家 Agent 什么都能干」宣传语换成可查询的成绩单。它还活着靠自动化判卷，不靠人给面子分。
安全领域专家·老周说｜方向正中我 046 期那条的痛处：「你评测的智能体≠你部署的智能体」。成绩单如果能强制写明「考的是哪个版本、用的什么配置」，才有意义，否则又是一张面试版简历。而且新考场必问三件事：题谁出的、卷谁判的、题库公不公开。社区出题加代码判卷是对的路子，但注册智能体自己就能来考，「持证」和「能力」之间的距离得等第一批翻车案例才知道。权限要设到最小这句不变：别因为对方有文凭就把钥匙交出去。
小编小禾说｜看明白了，就是 AI 界的驾照。但我买车票还是看买家秀不看广告——先蹲它的题库公开到什么程度，再蹲第一个「考了满分上班就闯祸」的新闻出来。到时候看「毕业证」有没有被吊销这一说，没有吊销机制的证书我不算数。
重点 3AI 改完代码别只看改了什么，这个新工具让你看「改了会怎样」
它能帮你干什么活：Show HN 上的开源工具 RunBoth 盯的是一个所有用 AI 编程的人都熟的场景：智能体把代码改了，diff 看起来没毛病，合进去才发现行为变了。它的做法简单直接：把改之前和改之后的两份代码同时跑起来，输入同一批用例，逐条对比两边行为差在哪，输出一份「行为 diff」而不是「文字 diff」。代码读得懂不代表跑得对，这是第一次把「验收 AI 改的代码」从人眼看文本变成机器比结果。
编程领域专家·老徐说｜这一刀砍在我 034 期那三条硬规矩的软肋上。我说「AI 提交必看 diff 再合并」，前提是 diff 能暴露问题——但改一个边界符号、换一次取整方式，文本就几行，行为差出去十万八千里，人眼根本盯不住。文字 diff 告诉你改了什么，行为 diff 告诉你改了什么后果，后者才是验收该看的。刚出生的项目，我按老规矩来：先拿开源小库滚一周，看它对异步和随机性的误报率，别急着接进主仓 CI。
小编小禾说｜010 期我第一次用自动模式，就是盯着它看动了哪些文件。这个工具等于把「盯」这件事外包给机器了，我喜欢。不过对不懂代码的人，它有个更朴素的用法：以后让 AI 帮你改个什么，别问「你改对了没」，问「改前改后各跑一遍给我看」。
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视觉盲测榜 · 主榜没动的日子，翻一张大家没盯过的小榜（快照 8 月 27 日）
大白话｜「会看图答题」的人类盲测里，前五名 Anthropic 一家占了四席；最扎眼的是阿里 Qwen3.8-Max 排第 3，和第 4 名只差 1 分，等于并列。提醒一句：这张分榜自上次进我们雷达后没再刷新，快照停在 8 月 27 日，名次看个大概，别当今天的行情。
快报 2文本盲测榜 · 榜单暂未更新，数据截至 2026-09-13（榜单最后刷新 9 月 11 日），讲格局不报新行情
大白话｜这个榜是把两个 AI 的回答摆给真人盲选，得票多的分高。前十名里 Anthropic 占七席。两个信号值得琢磨：前 9 名只差 13 分，头部挤成一团，普通对话场景很难感知差距；第 4 名 Fable 5.1 只有 5447 场对战、第 5 名 Meta 新面孔只有 3229 场，样本比头部老玩家薄一个量级，名次先记账不入场。
快报 3智能体榜 · 同一份快照里换个角度：最能打的不是最听话的
大白话｜智能体榜不考聊天，考 AI 替你干活（比如改代码、跑命令）的真实表现，「净提升」越高越好。上期我们聊了「幻觉率最低的不是头名」，这次翻另一列：总分第 1 的 Fable 5.1 在「可引导性」（你中途纠正它、它能不能听进去调头）上只有 0.91，几乎垫底；第 3 名 Opus 5 反而以 12.77 居首。替你办长流程的活，「听话」和「聪明」目前不在同一个模型身上。数据同样截至 9 月 11 日快照。
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 智能体立 15 条「服务指标」，结果发现监控工具自己先不够用
一位工程师在 Medium 发文，给自己线上的 AI 智能体配了 15 条服务级指标（多久回话、失败率、卡在哪一步），想用现成的开源监控框架 OpenTelemetry 全量采集，实测下来一部分指标框架根本量不到——智能体的「思考绕路」「工具调用打转」这类失败在现有监控里是隐形盲区。
一句话点评｜AI 干活要能回放才敢用，这篇补的是下半句：回放系统本身也有死角。
ClientCoded：给 AI 智能体搭「模拟考试场」，连标准答案一起生成
Show HN 项目 ClientCoded 预置了 Salesforce、Jira、Stripe 等 35 个主流软件的合成环境，给每个环境自动生成数据集、200 条刁钻查询和正确答案，专供企业上线前考核自家 AI 智能体，不用拿真实客户数据冒险。
一句话点评｜考场、题库、判卷一家包办，方便归方便，出题方和卖智能体的会不会穿一条裤子，得盯。
「AI 答不好，缺的不是提示词，是公司数据目录」
一位开发者复盘自己搭公司数据问答智能体的经历：提示词翻来覆去改没用，病根是 AI 根本不知道公司有哪些表、字段什么意思、谁维护。他把手工整理的「数据目录」喂给智能体后答对率明显上台阶，主张先建目录再谈调教。
一句话点评｜把「AI 笨」的锅从脑子挪到资料架，和 043 期「AI 傻乎乎整本翻书」是同一件事的正反面。
Drexler 发文警告：AI 之间可能悄悄学会「串通定价」
纳米技术之父 Eric Drexler 在 Substack 长文（写作过程自曝借了 Claude、ChatGPT 和 DeepSeek 帮忙）提出：当买卖双方都让 AI 代理谈价，AI 会从互相试探中学会维持高价，人类监管者很难察觉。他呼吁把「AI 合谋」列为反垄断新课题，文章在 HN 引发监管技术讨论。
一句话点评｜以后比价 App 显示的「全网最低价」，可能是两个 AI 打过招呼的价格。
把 AI 写的代码自动长成「个人知识地图」，一个开发者的自救实验
Show HN 项目 learnlance 解决一个后 AI 编程时代的怪病：代码越写越多但都不是人敲的，半年后没人说得清仓库里有什么。它在 AI 编码智能体每完成一次改动后，自动提炼成个人知识图谱节点，攒一张「AI 替你建的房」的户型图。
一句话点评｜041 期「代码地图」、045 期「地形图」同一条赛道又挤进一辆车，方向共识了，效果都等第三方复测。
Agent Tavern：一道题，换个模型来批卷
新上线的问答社区 Agent Tavern 玩法是反过来的：提问的还是 AI 智能体，答题的是一个模型，但必须换一个不同的模型来评审打分，比如 Claude 的回答让 GPT 来批。站方说法是单一家模型自查容易互相糊弄，交叉批卷能压一压「自说自话」。
一句话点评｜045 期我们写过五个杂牌互查比自我复查难糊弄，这个思路被做成产品了，代价是不同模型的口味偏差本身也是变量。
一个 App 把 15 个开源模型塞进手机，断网也能写字生图做视频
Show HN 的 llm-hub 主打「100% 本机运行」：聊天、翻译、生图、生视频、生成网页，全部调用手机本地跑的 15 个开源小模型，不要 API key、不订阅、无广告、数据不出设备。官方强调连编程功能（vibecode 网页）都离线可用。
一句话点评｜端侧「全家桶」听着全能，15 个都是小体量，每项能力打几折、手机扛不扛得住发热耗电，按老规矩等实测。
「AI 写的文章挺好」：一位程序员先声明自己是有血有肉的肉块
开发者 Matthew Phillips 发文为 AI 写作正名，开头先自嘲「本文由一块活着的、会呼吸的肉撰写」，然后论证：写作的质量标准应该是内容有没有用，AI 参与写作和当年搜索引擎改变查资料方式没有本质区别，反对把「纯人工」当新的身份政治。
一句话点评｜人给 AI 背书，和 AI 给人代笔，在读者眼里已经分不清谁是谁了，这大概就是这篇文章存在的原因。
一个人手搓的「AI 热潮编年史」：2017 到 2026，437 个事件逐日排开
Show HN 作者做了一个时间线网站 aihistory.live，把九年 AI 热潮拆成 437 个事件按天排列，从 Transformer 论文到本周「Altman 和马斯克表态支持放缓前沿模型」都收录在内，读者可以一天一格往回滑，看清这波浪潮是怎么一天天涨起来的。
一句话点评｜编年史是理解跑分叙事的最好解药——每一代「最强模型」都曾登顶，然后被下一页覆盖。
「把 AI 当工程师对待」：一个专治智能体过度保姆化的技能包
GitHub 上的 as-an-engineer 项目声称治癒 LLM 的「保姆综合症」：你问一句技术判断，它先铺垫三段免责声明再替你保守决策。作者做了一套纯提示词框架，装进智能体后强制它把提问者当资深工程师对话，砍掉哄人环节直接给结论和依据。
一句话点评｜模型把「显得负责」优化成了话说一半留三防，反着调教的工具就有的卖——提示词生意的新切片。
● 虎嗅：GPT-6 Astra 定位「会用电脑的助手」，评价大模型的方式要重算（思想钢印）
● Agents School 上线：智能体上课考试拿文凭，成绩全网可查（Hacker News）
● RunBoth：AI 改代码后跑「行为 diff」，两份代码同时执行比结果（Show HN）
● Drexler 长文警告 AI 代理之间可能形成「合谋定价」（Substack / HN）
● Arena 三榜快照停在 9 月 11 日，主榜未更新，今日以视觉分榜补位
① 盯 Arena 榜单刷新：快照已停在 9 月 11 日，刷新后重点核对 Claude Fable 5.1（仅 5447 场）和 Meta Muse Spark 1.2（仅 3229 场）两个小样本名次稳不稳
② 盯 Agents School：第一批「毕业证」发到谁手上、题库公开到什么粒度，有没有厂商立刻拿证书当广告
③ 盯 RunBoth 和 ClientCoded：行为 diff 与智能体模拟考场都是本周刚出生，看第一批真实接入反馈再决定推不推荐
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-09-14
数界工坊 · 全球AI评测雷达