物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.15 · 周二
第 048 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 17名博士生一个暑假「手搓」出一个大模型：训练全过程摊开给你看
它能帮你干什么活：北京中关村学院的7名博士生，用一个暑假从零训练出一个7B规模的大模型ZGCM-1，而且把各阶段代码、训练数据和训练日志全部公开，报道说有几百个AI智能体参与了研发。对普通人来说，这件事的重点不是模型多强，而是「造一个AI」的全过程第一次被摊在桌面上：算力怎么花、哪一步翻车、怎么修，外界都查得到。这种「日志全公开」的打法，恰恰是第三方评测最需要的原始材料。
编程领域专家·老徐说｜我十五年只信可复现日志，这次是少见的正面样本：不是发布会海报，是代码、数据、训练日志三件套全开源，几百个Agent参与研发说明「AI造AI」已经从口号走到实操。但提醒一句：7B的公开成绩单和量产旗舰不是一个量级，这份材料对你理解「大模型是怎么炼成的」值钱，对选型参考有限。
小编小禾说｜训模型我是外行，但我看懂了一个区别：厂家自己说「我们很强」，和7个学生把答案全过程摊出来让别人查，我更信后者。老规矩：公开原始材料的算及格一半，等有人照着日志复跑一遍成功，才算全及格。
重点 2AI安不安全，该不该换裁判？彭博把这问题摆上了台面
它能帮你干什么活：彭博9月14日的节目专门讨论「独立测试能不能让AI更安全」——这几天行业从「放缓前沿」吵到该不该请第三方审核，声音逐渐汇到一处：与其信厂商自己发成绩单，不如把最强模型交给外部机构公开测。这直接关系到你用的AI助手，那句「我们安全、不会乱来」到底有没有人验证过。
安全领域专家·老周说｜护栏只建在厂商自觉上，等于没有——这话我说了一个月，现在行业口头共识算是立住了。但共识不等于落地，独立测试必须过三问：考题给不给公开、评分可不可复现、测的是不是用户手上那个版本。9月13期我说过「你评测的智能体可能不等于你部署的智能体」，三问缺一，独立测试就是自报分数换了个信封。
小编小禾说｜换裁判我举双手赞成，但我的门槛不变：哪天某家AI的「安全体检报告」连着两期名次没大变、原始数据还能下载，我才敢拿它当挑工具的依据——运动员自己发奖牌不行，裁判临时找的也不行。
重点 3扫地机新旗舰：「平价机皇」这四个字，Wired长测说了算还是直播间说了算
它能帮你干什么活：Wired发布了石头Qrevo 2的家用长测，标题直接抛出「新的平价扫地机之王？」——避障灵不灵、边角扫不扫得净、基站洗拖布会不会发臭，都是编辑在家里实打实用出来的结论，不是参数表。对纠结「几千块扫的地值不值」的人，第三方长测比发布会PPT有用得多。
穿戴领域专家·阿凯说｜我评硬件的信一条：吃灰第一原因是安装和充电顺不顺手，从来不是吸力参数。这篇长测要盯的就是基站维护和边角覆盖写得实不实——发布会永远不写的，恰恰是「戴一整天你就知道了」的部分。9月2期我国内牵头的家用机器人11项测试标准刚立起来，往后机皇之争拿公开成绩说话，单一媒体好评只算半场。
小编小禾说｜「平价机皇」先记到账上，等评论区吵起来再定——每次新品首发，总有两周后的翻车实录冒出来。家里养宠物毛多的，别信标题，直接搜三个月以上的长用贴，那才是买家秀原版。
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人类盲测·文本榜（Arena，快照9月13日，今晨确认已更新）
大白话｜人类出题、人类当裁判的盲测里，Anthropic前十独占七席——几乎一家包场。看点在Meta神秘选手Muse Spark 1.2排第4，但只有3227场对战、±11分置信区间，比头名宽一倍还多，名次先记账别当真。
快报 2代码榜（Arena，快照9月11日）
大白话｜榜首领先第三名42分，对战数却只有2281场、±16分——前五里样本最薄，小样本的Elo是会晃的，过几天再认账。真正的信号是两款国产模型双双挤进前五：写代码这件事，开源阵营追得比榜单标题看起来凶。
快报 3视觉 + 智能体（Arena，快照9月13日）
大白话｜视觉盲测：Claude Fable 5以1310分居首，阿里Qwen3.8-Max 1302分紧咬第二——前二里唯一非Anthropic选手，只差8分。智能体榜（AI替你干真活的「净提升」分）：Claude Fable 5.1（Max）13.9分第一、GPT-6 Astra（Max）11.9分第二；Kimi K3（Max）以10.4万场会话是全场样本最扎实的选手，6.39分（±0.68）排第八——分数不高但名次可信度最高。
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。
不靠显卡机房的小模型，第一次有了「成绩单」
GitHub上刚开张的「裸机AI」榜，收录不依赖大框架、用C/C++/Rust手写的超轻量AI引擎，宣传口径是零依赖、亚毫秒响应，还附逐项基准索引——让AI直接在你手上的设备里跑起来的那批「小钢炮」，第一次被拉到同一张考卷下排名。
一句话点评｜老徐提醒：出题计分都是仓库主自定，新考场先记账，挑榜上最漂亮的两个拿自己的活跑一周再谈。
AI声称解出千年数学难题：结果轰动，争议更大
9月15日登热的博文称，克拉数学研究所千年难题中的Navier-Stokes方程问题被新AI攻破，作者笔锋却对准「结果怎么验证、学界信不信」——一场本该是庆典的发布，先变成了可信度之争。
一句话点评｜小禾规矩适用：「AI又神了」先问「别人复现了吗」，没有独立复核之前，题再大也不算数。
把AI账单拆成四段看，才知道钱浪费在哪
一位工程师提出给AI调用费分类：加载模型、思考、调度干活、出结果四段分别算钱。现在的账单只会笼统告诉你花了多少字数（token）的钱，分不清哪些是有效思考、哪些是AI傻乎乎整本翻书。
一句话点评｜延续9月10期烧钱表思路：让AI少读没用的材料，就是最实在的省钱法。
安全研究员现场演示：一封邮件就能劫持客服AI
Intigriti团队把指令藏进邮件正文转发给AI客服系统，就能让它绕过规则、泄露其他客户信息——客服AI分不清「客户来信」和「给系统的命令」，提示词注入经典复发，9月15日登HN热榜。
一句话点评｜老周的老话再添一锤：分不清数据和指令，是边界不清的结构性老毛病，不是偶发。
AI助手记性太好也是病：昨天的正确答案，今天全错了
一篇工程师博客点名智能体的「缓存失效」问题：给AI配了长期记忆后，它会把过期结论（改前的价格、删掉的流程）当真理继续用，而且语气笃定。作者建议给AI的记忆设保质期，定期强制重验。
一句话点评｜小禾9月3期的土办法有了工程版：重要偏好定期翻AI的「记忆本」核一遍，它记的和我说的可能两码事。
1325个「AI参与写的」代码库被扒成公开数据集
研究者从GitHub挖出并公开1325个有AI辅助痕迹的代码仓库清单——想研究「AI写的代码到底靠不靠谱」的人，第一次有了大样本底库。
一句话点评｜老徐等的就是这类素材：产量统计之后，终于能拿真实仓库测AI代码的存活率了。
开箱即跑本地模型的最小AI助手，作者自嘲「就一壳子」
Show HN上的新玩具Otis：极简智能体，装好就能调用本地模型干活，不接云、不注册账号，「数据不出机器」是全部卖点。
一句话点评｜断网能用是刚需，但按老规矩：先等别人实测小模型会不会「换小脑子变笨」。
断网也能用的时间记录器，AI只在你电脑里跑
Threshyr 1.2.1自动记录你在哪个窗口干了多久，端侧AI把你一天归总成「时间块」报告，全程不上传——适合想知道「一天到底耗在哪」又担心隐私的人。
一句话点评｜小禾提醒：这类工具要一直开后台，先拿备用机试水两周再上主力机。
让AI助手直接读写你的项目甘特图
ProGantt把传统项目排期图和MCP（让AI直连软件的通用接口）打包：接上编辑器或Claude Desktop，AI就能看排期、改任务、补进度，人只管批。
一句话点评｜9月1期教训记得：AI改配置不留报错，合并前必看改动清单。
AI帮忙整理十万人的访谈，社会科学研究先卷起来
arXiv论文讲了一套用AI做大规模质性研究的基础设施：上万人问卷访谈的原始文本，AI能分类、归纳、出主题报告，作者重点讨论怎么防AI在归纳时夹带私货。
一句话点评｜离日常还远，但「AI读海量文字做总结」这条能力，正被研究方法圈正经检验。
● short-video-generator-AI等12个开源AI项目登第38周热度榜，一周榜单看尽开源风向（Hacker News / TheZakulo 周报）
● Arena文本盲测前十Anthropic独占七席、Meta两席、谷歌一席——人类裁判的牌桌快被一家包场
● Arena代码榜GPT-6 Astra以1800分居首，但仅2281场对战，样本前五最薄
● 阿里Qwen3.8-Max视觉榜1302分排第二，距榜首仅8分；Kimi K3智能体榜10.4万场会话样本全场最扎实
① Arena榜单下一批刷新：盯Claude Fable 5.1 Max（文本第5、5783场）对战数能不能攒够，Muse Spark 1.2（±11分）名次坐不坐得稳
② 7名博士生开源的7B模型：等第三方照训练日志复跑，验证「AI造AI」的成色
③ 「放缓前沿」之吵的下一步：盯有没有厂商真公开给独立测试的考题和原始数据，共识落地才算数
④ 国产模型双进代码榜前五后：Qwen3.8-Max、Kimi K3的下一轮快照名次，先记账不入场
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.15 · 周二
第 048 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想在自己旧电脑上跑 AI？先看看这份「裸机 AI」成绩单
它能帮你干什么活：有人刚在 GitHub 上搭了一个「裸机 AI」榜，专门收录不依赖任何大框架、用 C/C++/Rust 手写的超轻量 AI 引擎——宣传口径是零依赖、亚毫秒级响应。也就是让 AI 不靠显卡机房、直接在你手上的设备里跑起来的那批「小钢炮」，现在第一次有人把它们拉到同一张考卷下排名。榜单还附了一份基准索引，逐项标各家引擎的速度和支持的模型。
编程领域专家·老徐说｜这类新榜单仓库我刚看一眼就想起老规矩：出题、计分都是仓库主自己定的，「零依赖」「亚毫秒」这些词宣传味很重。方向我举双手赞成——端侧 AI 真需要一张公开成绩单，别各说各话。但选型先别冲：跑分归跑分，接进真实设备前，先挑榜上分数最漂亮的两个，拿自己的活跑一周看断在哪一步。
小编小禾说｜「在自己电脑上跑 AI」听着很美，但我这种小白就关心一句：装起来麻烦吗？要不要买新硬件？这榜连教程都还没几篇，我先收藏不动手，等有人拿普通笔记本实测「跑到什么速度、笨不笨」再说——这毛病是 8 月 15 期就落下的：断网能用是刚需，就怕本地版偷偷换小脑子变笨。
重点 2AI 安不安全，凭什么让厂家自己说了算？彭博这场讨论把「第三方评测」摆上台面
它能帮你干什么活：彭博 9 月 14 日的一期视频节目专门讨论了同一个问题——独立测试到底能不能让 AI 更安全。背景是这几天行业吵翻天的「放缓前沿」之争：Anthropic 的 CEO 发文呼吁给最强模型踩刹车，OpenAI、马斯克跟着表态。吵到最后，大家不约而同指了同一个方向：与其信厂商自己发成绩单，不如交给外部机构来测。对普通人来说，这关系到你用的 AI 助手「不会乱来」这句话，是谁验证过的。
安全领域专家·老周说｜这句话我说了很多遍：护栏只建在厂商自觉上，等于没有。独立测试是对的方向，但要盯三件事——考题给不给公开、评分逻辑可不可复现、被测的是不是你手上那个版本。9 月 13 期我说「你评测的智能体可能不等于你部署的智能体」，独立测试要是测的是特供版，公信力和自报分数没区别。
小编小禾说｜翻译一下：以前是运动员自己给自己发奖牌，现在有人提议请外面的裁判。我站独立裁判，但老规矩不变——哪天我看到某个 AI 的「安全体检报告」连着两期名次没大变、原始数据还能下载，我才敢把它当成挑工具的依据。
重点 3扫地机也进「考卷时代」：Wired 实测石头新旗舰，直呼平价机皇易主？
它能帮你干什么活：Wired 发布了石头（Roborock）新款 Qrevo 2 的长测，标题直接问「新的平价扫地机之王？」。评测圈的老规矩是参数谁都会写，长测才见真章——避障灵不灵、边角扫不扫得净、基站洗拖布臭不臭，都是编辑在家里实打实用出来再落笔的。对纠结「几千块扫的地到底值不值」的人，这类第三方长测比直播间喊话有用得多。
穿戴领域专家·阿凯说｜我评硬件的信一条：吃灰第一原因是安装和充电顺不顺手，不是吸力参数。这期重点看 Wired 怎么写基站维护和边角覆盖——这两项是扫地机的「戴一整天你就知道了」时刻，宣传页永远不写。9 月 2 期我国内牵头的家用机器人 11 项测试标准刚立起来，以后的机皇之争，得拿公开成绩说话，单一媒体好评只算半场。
小编小禾说｜「平价机皇」四个字我先记到账上，等评论区吵起来再定——每次新品首发，评论区总有人晒两周后的翻车实录。家里有宠物毛的，别信标题，去搜三个月以上的长用贴，那才是买家秀原版。
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综合智能指数（Artificial Analysis · 今晨 6 点现拉）
大白话｜最强大模型三家咬死在 53 分并列第一；真正的看点在免费开源阵营——智谱 GLM-5.3 以 45 分第一次压过月之暗面 Kimi K3（44 分），「白嫖最强」的旗子换人扛了。速度榜 Celeris-1 每秒能吐 1418 个字（token），最快。
快报 2中文权威榜（SuperCLUE · 9 月 11 日更新）
大白话｜DeepSeek 上周（9 月 10 日）刚发的 V4.1-Flash 第一次参加「中文模型大考」就冲到国产第二；GLM-5.3 一口气涨了近 8 分。LMArena 的全球公司榜上，智谱也被 GLM-5.3 带着从第 6 升到第 5，把月之暗面挤了下去——国产开源这波排名在动真格。
快报 3会干活的 AI（用电脑 / 看病 / 综合对齐，数据截至 9 月 8-10 日）
大白话｜「AI 替你操作电脑」的 OSWorld 考试（截至 9 月 10 日）：中国团队实在 Agent 以 90.2% 登顶，第二名 Claude Fable 5 是 86.0%；医生考卷 HealthBench（9 月 8 日更新）：Claude Fable 5 得分 0.660 领跑，而人类医生基线只有 0.437——注意，考卷本身偏简单，别看 AI 高分就以为能看病；综合对齐榜 BenchAlign（9 月 10 日快照）前三名还是 Claude Fable 5.1、GPT-6 Astra、Claude Opus 5。另：Arena 人类盲测榜快照仍是 9 月 14 日那批、与上期相同，榜单暂未更新，不作今日新变动引用。
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。
把 AI 账单拆成四段看，才知道钱浪费在哪
一位工程师提出给 AI 调用费分类：加载模型、思考、调度干活、出结果四段分别算钱。现在账单只会笼统告诉你花了多少字（token）的钱，分不清哪些是有效思考、哪些是 AI 傻乎乎整本翻书。
一句话点评｜延续 9 月 10 期烧钱表的思路：让 AI 少读没用的材料，就是最实在的省钱法。
AI 帮忙整理十万人的访谈，社会科学先卷起来了
8 月 30 日提交的 arXiv 论文讲了一套用 AI 做大规模质性研究的基础设施：上万人问卷访谈的原始文本，AI 能分类、归纳、出主题报告，作者讨论怎么防 AI 在归纳时夹带私货。
一句话点评｜研究方法类论文，离你日常还远，但它说明「AI 读海量文字总结」这条能力正被正经检验。
不会写代码也能上：用固定流程指挥 AI 做软件
一篇写给外行的博客提出「流程驱动」的 AI 开发：不是跟 AI 聊天式碰运气（行话叫氛围编程），而是把需求、验收标准写成固定工作流，AI 按流程产出、人只在节点上检查。
一句话点评｜思路和老徐 9 月 7 期夸过的「改现有小项目、当场验证」同路：把 AI 关进流程里，比指望它灵光更靠谱。
安全研究员现场演示：一封邮件就能劫持客服 AI
Intigriti 团队 9 月 2 日发布研究（9 月 15 日登 HN 热榜）：把指令藏进邮件正文转发给 AI 客服系统，就能让它绕过规则、泄露其他客户信息——客服 AI 分不清「客户来信」和「给系统的命令」，是提示词注入的经典复发。
一句话点评｜老周的老话再添一锤：分不清数据和指令，是边界不清的结构性老毛病，不是偶发。
AI 助手记性太好也是病：昨天的正确答案，今天全错了
一篇工程师博客点名智能体的「缓存失效」问题：给 AI 配了长期记忆后，它会把过期结论（改前的价格、删掉的流程）当真理继续用，而且语气笃定。作者建议给 AI 的记忆设保质期，定期强制重验。
一句话点评｜小禾 9 月 3 期的土办法有了工程版：重要偏好定期翻 AI 的「记忆本」核一遍，它记的和我说的可能两码事。
AI 批量伪造「老板催款邮件」，安全圈预警 BEC 新阶段
安全公司 Decipher 报告：商业邮件诈骗（BEC）进入 AI 量产期——骗子借正规第三方邮件服务，把发件人显示成公司高管、称呼细节全对，转账指令写得比真人还客气，语法生硬这个老识别破绽基本消失。
一句话点评｜老周 9 月 13 期新标准再加一条场景：凡是邮件里催你转账汇款的，一律电话回拨本人核实——AI 味儿闻不出来，制度闻得出来。
1325 个「AI 参与写的」代码库被扒出来了
研究者从 GitHub 上挖出并公开了 1325 个有 AI 辅助痕迹的代码仓库清单，做成数据集——想研究「AI 写的代码到底靠不靠谱」的人第一次有了大样本底库。
一句话点评｜老徐等的那类素材：产量统计之后，终于可以拿真实仓库测 AI 代码的存活率了。
开箱即跑本地模型的最小 AI 助手，作者自嘲「就一壳子」
Show HN 上的新玩具 Otis：一个极简智能体，装好就能调用本地模型干活，不接云、不注册账号。作者坦白它功能少，但「数据不出机器」是全部卖点。
一句话点评｜方向对胃口（断网能用是刚需），但按老规矩：先等别人实测小模型会不会「换小脑子变笨」。
断网也能用的时间记录器，AI 只在你电脑里跑
Threshyr 1.2.1：自动记录你在哪个窗口干了多久的活，端侧 AI 把你一天归总成「时间块」报告，全程不上传。适合想知道「一天到底耗在哪」又担心隐私的人。
一句话点评｜小禾提醒：这类工具要一直开后台，先拿备用机试水两周再上主力机（8 月 30 期老规矩）。
让 AI 助手直接读写你的项目甘特图
ProGantt 把传统项目管理甘特图和 MCP（让 AI 直连软件的通用接口）打包：接上编辑器或 Claude Desktop，AI 就能看排期、改任务、补进度，人只管批。
一句话点评｜「AI 替你管排期」听着省事，但 9 月 1 期教训记得：AI 改配置不留报错，合并前必看改动清单。
● 智谱 GLM-5.3 带动公司榜从全球第 6 升至第 5，挤下月之暗面（LMArena 公司榜，9 月 11 日批次）
● 人类盲测 Arena 文本榜前八里 Anthropic 独占六席、Meta 两席——但快照仍是 9 月 14 日批次，暂未更新
● 「中文模型大考」SuperCLUE 前十里 DeepSeek V4.1-Flash 首进榜即国产第二（71.81 分）
● 开源第一易主：GLM-5.3（45 分）压过 Kimi K3（44 分），GLM-5.3-Flash 42 分紧随（Artificial Analysis 开源榜）
① SuperCLUE、LMArena 公司榜下一批更新：看 GLM-5.3 第 3 名的位置坐不坐得稳，新名次先记账不入场
② DeepSeek V4.1-Flash 的第三方复跑：官方说「推倒重来、更快更准」，等独立考场重新考一遍再当真
③ Arena 快照若今日更新：重点盯 claude-fable-5.1-max（目前仅 5783 场对战、样本最薄）票数能不能攒到置信
④ 开源榜三国杀：GLM-5.3、Kimi K3、GLM-5.3-Flash 分差都在 3 分内，任何一次刷新都可能换榜首
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-09-15
数界工坊 · 全球AI评测雷达