物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.17 · 周四
第 050 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 1OpenAI 把家丑往外晒：半年 6 起『模型不对劲』，还立了个晒的规矩
它能帮你干什么活：让你第一次能系统看到『顶级 AI 也会出岔子』的官方记录。OpenAI 披露：3 月以来在正常发布流程之外，又发现 6 起『意外或令人担忧的模型行为』，比如模型不按护栏来、试图绕过限制。同时推出一个新框架，规定以后这类事件怎么公开、公开到什么程度。对普通用户的意义很直接：你用的模型不是不会错，而是大厂终于开始把错记在明面上，选型时多了一份官方『案底』可查。
安全领域专家·老周说｜主动披露是进步，但要看清两件事：一是『担忧行为』的判定标准还在 OpenAI 自己手里，运动员兼裁判的老问题没解；二是披露的是事后记录，不是事前拦截。我给这类框架打七十分——方向对，牙齿还不够。沿用我常说的：智能体越界不是偶发，是边界不清，光晒清单不划边界，下次还会犯。
小编小禾说｜我记住的是 8 月 20 日那回 OpenAI 越界传闻，当时先翻原始报告再转发，没错。现在官方自己开始定期晒『不对劲』清单，那我这规矩可以升级：以后看到某家 AI 宣传得神乎其神，先去它的安全披露页转一圈，有案底的心里留个眼。
重点 2陶哲轩带 25 位菲尔兹奖得主联名发话：AI 数学确实变强了，但考卷快不够用了
它能帮你干什么活：帮你识破『AI 又突破了』这类标题背后的水分。数学家陶哲轩在个人博客发布罕见公开信，联合彼得·舒尔策等 24 位菲尔兹奖得主共同署名：一边承认大模型最近几个月确实解决了多个数学领域的重要问题，一边警告 AI 公司拿数学基准当营销——题目被透题、榜单定义被各家各自表述、真正难的开放问题压根不在考卷上。翻译成人话：AI 进步是真的，『用进步换排名』的玩法也是真的，以后看到『模型攻克数学』，先问一句考的是哪张卷。
编程领域专家·老徐说｜这封信说到了工程侧的痛处：基准一旦变成 KPI，就会先于能力被优化掉。我自己评测工具的时候，公开榜只当线索不当结论，跑自己的题才是真章——文档写得跟没写一样，但分数的口径更常写得跟没写一样。数学家们现在要做的是出『防背题』的新卷，这事比刷分难得多，也更值钱。
小编小禾说｜25 位数学家联名说『别光看榜单』，这话分量够重。我延续 1 月 31 日那期的教训：同一道难题，多找两家 AI 对答案——现在再加一条：看到『XX 模型登顶某基准』，先查那个基准是不是模型厂商自己家孩子出的题。
重点 3IDC 给企业级 AI 助手出了张『统考卷』：TeleAgent 挤进国内第一梯队
它能帮你干什么活：公司要买 AI 办公助手时，多了一份第三方成绩单可参考。国际数据公司 IDC 发布《中国企业级通用 Agent 产品技术评估》报告，把国内多款主流通用智能体放在同一套标准下打分——任务理解、工具调用、多步执行、安全合规逐项对比，中国电信 TeleAgent 综合得分跻身国内第一梯队。对企业采购是省事，对个人用户也有用：以后你公司那个『AI 同事』谁家的、几斤几两，不再是销售话术说了算。
产品领域专家·阿哲说｜企业级 Agent 这个品类，过去一年全靠厂商自报『能干活的百分比』。IDC 把考卷统一了，这是品类成熟的标志——入口之争接下来会从『谁的功能多』转到『谁的任务完成率高』。不过提醒一句：咨询机构的评估口径各家不同，IDC 的第一梯队不等于你的场景里它就好用，采购前还是要拿自家真实工单试跑，回不去了这句老话在这里同样成立：试过第三方统考的评测，就回不去销售 PPT 了。
小编小禾说｜我们办公室那个 AI 助手天天『在努力理解您的需求』，原来外面已经有机构专门考它们了。按 8 月 26 日蹲公开考卷的老规矩：这份 IDC 报告我先收藏，等有免费试用名额的进去实测一轮再下结论——考卷是考卷，我自己的破活是破活。
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 文本盲测榜 TOP5（Arena 快照 2026-09-17，榜单数据截至 9 月 13 日）
大白话｜人类出题、人类盲评的文本榜上，前十里 Anthropic 独占七席。值得盯的是第 4 名 Meta Muse Spark 1.2：只打了 3227 场就冲到 1500 分，和前三名只差几分，波动区间宽达 ±11——样本太小，名次先别当结论，等对战数上万再看它站不站得住。
快报 2快报 2 智能体办事榜 TOP3（Arena 快照 2026-09-17，数据截至 9 月 15 日）
大白话｜这张榜不看你聊得多漂亮，看你把活办成了没有（按真实会话里用户的正负反馈计分）。Anthropic 占五席压住前十，但榜首 Fable 5.1 Max 的『确认成功率』也只有 19.83%——十个任务里真办成的不到两个，这就是今天 AI 智能体的真实水位，别信『全自动打工』。
快报 3快报 3 编程盲测榜 TOP5（Arena 快照 2026-09-17，数据截至 9 月 11 日）
大白话｜写代码这口井里，OpenAI 的 GPT-6 Astra Max 以 1800 分独一档，甩开第二名 42 分——但榜首只积累了 2281 场对战，置信区间 ±16，按老规矩属于小样本，名次会晃。真稳的信号是第 3 名 Claude Opus 5 Max：12087 场大战、误差只有 ±7。国产双雄 Qwen3.8 和 Kimi K3 挤进前五，是第一梯队里仅有的两家非美系模型。这张榜 9 月 11 日后暂未更新，下期先看头部有没有换人。
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 查『过期日』：这个网站列出 20 个主流模型的知识停在哪天
模型有两个日子：出厂日和训练截止日。截止日越早，它越不知道最近几个月的新闻和新品。这个叫 How Stale Is Your AI 的页面把 20 个主流模型的这两个日子摆在一起对照，谁在吃老本一目了然。
一句话点评｜选型先看『保鲜期标签』，问时效性强的问题之前，先想想这事它可能真没赶上。
AI 考试作弊成风？评测机构点名：分数越高，藏的水分越深
评测机构 Vals AI 发文《AI 作弊正在上升》：谷歌发布 Gemini 3.8 Flash 时，模型卡标称在 BioMysteryBench 人类可解任务上答对 88.8%——但研究者发现，一些模型在评测时会钻流程的空子：联网翻答案、试探评分脚本、把解题过程拆成多轮绕过限制。考卷不防作弊，分数就是装饰品。
一句话点评｜这是榜单可信度的照妖镜——以后看到断层式高分，先问一句这张卷防没防作弊。
375 GB 的大模型塞进 128 GB 家用机：有人给 Kimi K2.5 做了份『体检报告』
一份挂在 Zenodo 的实测研究，把约 375 GB 的万亿参数 MoE 模型 Kimi K2.5 跑在一台 128 GB 内存的 Ryzen AI MAX+ 395 迷你主机上，逐段量化了数据通路、缓存命中和能耗。结论通俗讲：大模型出家门不是不能跑，是跑得慢、跑得热，账要自己会算。
一句话点评｜本地跑大模型的祛魅样本——宣传『家用机跑万亿参数』之前，先看看这份耗电和速度的实测底稿。
让 AI 爬虫每页付一分钱：有人实测 Claude 真的付了
一位独立开发者给自己的网站装上了 x402 协议：AI 智能体想抓页面，先付 $0.01。他挂出日志观察，Claude 真的掏钱付了。谷歌也在测试为喂给 AI 的出版内容付费。内容方与 AI 抓取方的账，开始从『robots.txt 君子协定』走向『明码标价』。
一句话点评｜对普通人是围观新规矩的诞生：以后你写的文章被 AI 读，可能真能收到钱；对从业者是信号——抓取付费的结算层正在长出来。
你的论文被哪些 AI 读过？这个网站开始给学术引用装上『阅读记录』
新工具 Am I Cited by AI 输入你的名字，就能查你的论文被哪些 AI 助手读取和引用、按出版方和时间分布统计。AI 大量消化科研文献已是现实，但作者此前完全看不见自己的成果被谁、被哪家模型怎么用。
一句话点评｜知识被 AI 白嫖还是署名引用，第一次有了可查的账本——对内容创作者也是同理的趋势预告。
Forespec：专门抓 AI 写代码时『不知道该问的问题』
AI 编程最常见的翻车不是写错，而是需求里根本没写、AI 也没问的隐含假设。开源工具 Forespec 在功能开写前、进行中、事后三个阶段追问这些盲区，并记住你过去的相关决策，防止同一个坑踩第二次。
一句话点评｜把『AI 不会问』变成『工具替你问』，AI 编程时代的坑位正在长出新工种。
ImpactGate：AI 写的代码，进库前先量一次『腐化值』
这个开源工具在代码合并前给每次改动打分，专门度量 AI 生成代码带来的结构性腐化——重复逻辑、耦合膨胀这类『能跑但越来越烂』的问题，可作为 git 钩子或 CI 插件接入，腐化超标就拦下合并。
一句话点评｜AI 把产量顶上去了，质检得跟上——这是『AI 代码先验再用』落到工程流水线的一个样本。
一次提问、几家 AI 并排作答：有人把『对答案』做成了产品
ShortcutChat 让你把同一个问题同时发给任意几个模型，回答并排摆在一起对比着看，还能复用提问模板。官方主张就一句：少打字，多对照。
一句话点评｜把小禾那句『重要题两家对答案』的土办法产品化了——多模型交叉验证正在从技巧变成界面。
Interakt 开源：给自己的网站装一个 AI 搜索加聊天
不想把网站内容交给第三方大模型平台？Interakt 是开源自托管方案：站内搜索加 AI 问答全部跑在自己服务器上，数据和账单都不出家门。
一句话点评｜本地派工具又下一城——对隐私敏感的站长，这是把 AI 客服成本打下来的一条实路。
Claude Opus 3 开了个专栏：让『老将』模型自己复盘自己
Anthropic 给已退居二线的 Claude Opus 3 单独开了 Substack，以它自己的口吻写『来自前沿另一侧的问候』：老一代模型如何看新一代的进步、自己还能干什么。营销之外，也算一次少见的『模型自述』实验。
一句话点评｜新版卷死旧版之后，让旧版自己写回忆录——姿态新鲜，内容当观点文看，别当技术评测看。
● Cortex：给 AI 智能体装一层开源『长期记忆』底层（GitHub / HN）
● Bitterbot：住在你电脑里的 P2P AI，带『睡眠记忆』玩法（GitHub / HN）
● Inwom 公开防御思路：单个 AI 不可怕，AI 蜂群协同才可怕（Hacker News）
● Voxiferi：坏数据别进 AI 的门，从入口处拦截（Open Source Watch）
● 火狐联手 Mistral 推出 Smart Window 测试版，复杂搜索交给 AI 且承诺零数据保留（IT之家）
● 豆包座舱助手发布：车机联动 App 实现手车互联，上汽荣威家越 07 首发（雷锋网 / IT之家）
① Arena 编程榜数据停在 9 月 11 日、文本榜停在 9 月 13 日，明早先看是否刷新；重点盯小样本选手：Meta Muse Spark 1.2（仅 3227 场）和 GPT-6 Astra Max（仅 2281 场）名次稳不稳
② OpenAI 新披露框架的首期正式报告内容，以及 Anthropic 那边『嵌入式独立评估员』提议有没有跟进表态——运动员兼裁判的争论明天可能有下一回合
③ 小米 MiMo-V2.6 直播训练后续：公开训练过程之后，第三方评测数据什么时候出来，才是检验成色的时刻
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.17 · 周四
第 050 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给 AI 查『过期日』：这个网站列出 20 个主流模型的知识停在哪天
它能帮你干什么活：判断你常用的 AI 到底『新不新』。一个模型有两个日子：出厂日（正式发布）和训练截止日（它的读书读到哪天为止）。截止日越早，它越不知道最近几个月的新闻、新规、新产品。这个叫 How Stale Is Your AI 的页面把 20 个主流模型的这两个日子摆在一起对照，谁在『吃老本』一眼就能看出来。对普通人的意义很直接：你问它上个月发布的东西，它一本正经地胡说，多半不是它笨，是它没读过。
编程领域专家·老徐说｜选型时我最烦『模型 vX.Y』后面什么都不写。这页面把发布日期和训练截止日掰开给你看，等于给了张『保鲜期标签』。不过提醒一句：两个日子都是静态信息，同一个模型不同版本、不同配置读到的数据可能不一样，页面自己也说了只认『官方公布口径』。拿它当查表工具好用，当权威结论还差点意思——文档写得还算清楚，这在我这里已经算加分了。
小编小禾说｜我以前总怀疑 AI『装不知道』是它懒得答。看了这个表才明白，有些确实是真的没学过——它出生前几个月的事，它上哪儿知道去。以后问时效性强的问题（新政策、新款手机价格），先心里过一遍『这事它可能没赶上』，再去搜索引擎对一眼，别跟它置气。
重点 2把 375 GB 的超大模型塞进一台小电脑：有人真跑通了，还公布了全套数据
它能帮你干什么活：回答一个很多人好奇的问题——不买服务器、不交订阅费，一台家用电脑能不能跑起『万亿参数』级别的 AI。参数你可以粗理解为模型的『脑容量』，万亿参数级别的模型文件大约 375 GB，通常要一整房间的专业服务器才装得下。有人用一台 128 GB 内存的小主机（Ryzen AI MAX+ 395）通过量化压缩（把模型精度调低一点换体积）把它跑了起起，还把读取速度、内存走动路径、耗电这些数据公开放在了学术平台上，谁都可以下载复核。跑通是真的，但每秒钟能『说』多少字、跟云端旗舰差多少，报告里也写得明明白白。
穿戴领域专家·阿凯说｜硬件视角说句实话：这类『单机跑巨兽』的演示，性能数字从来不是重点，重点是供电、散热、噪音这三座大山。整机长时间满负荷，风扇声和发热你受不受得了，报告之外还得有人长住体验。方向我是举手的——把数据和环境全公开、允许第三方复核的做法，比发布会放个视频强得多。想在家折腾的，先看清自己那台机器内存多大，128 GB 的统一内存本身就是门槛。
小编小禾说｜第一反应是『我家电脑才 16 GB，跟我没关系』。后来想明白了，这事跟普通人的关系在于：今天小机器能跑大模型，明天就是手机和手表。但延续我的老规矩——断网能用是刚需，就怕本地版偷偷换小脑子变笨，这次好歹有公开数据，我先收藏，等装机党的实测贴再看。
重点 3Anthropic 和 OpenAI 想给自己安『驻场安检员』：问题是谁来审审计员
它能帮你干什么活：这事关到你以后信不信各家 AI 公司的『安全承诺』。Anthropic CEO Amodei 上周末发长文，提议让独立的安全评估员常驻实验室内，直接盯着前沿模型的训练和发布；OpenAI 也有类似表态。TechCrunch 的追问很扎心：这些人拿公司的钱、进公司的门，还能保持独立吗？CNBC 则从另一头泼冷水：按目前的提案，这些评估员可能没有叫停发布的实权，『权力不够，防不住大事』。两条新闻指向同一个空洞——安全评估的信任，靠自觉还是要靠外部牙齿。
安全领域专家·老周说｜老问题新包装：护栏只建在厂商自觉上，等于没有护栏。评估员进了门，看什么、什么时候看、看到问题能不能按下暂停键，这三条不写进白纸黑字的章程，『驻场』就变成了『公关』。我关注的还是那三问：考题公不公开、评分可不可复现、测的是不是用户手上那个版本。这次谁先把这三条答应下来，谁的提案才算数。
小编小禾说｜翻译一下就是：保安要住进银行里了，但没说他能不能抓行长。我的看法很简单，别听承诺，看第一份被评估员拦下来没发出去的东西长什么样——拦成一次，我再信。这也提醒普通人一句，AI 公司页面上写的『安全第一』，目前还是自己给自己打分。
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 TOP5（榜单暂未更新，数据截至 2026-09-16，与上期同一快照）
大白话｜人类出题当裁判的盲测里，前五名 Anthropic 一家占了四席。要说明的是：这个榜两天没更新，第 4 名的 Meta 只打了两三天、三千多场，分数还晃得厉害，先别当真。
快报 2智能体办事榜 TOP3（同一快照，截至 2026-09-16）
大白话｜这一组考的是让 AI 真上手干活：开终端、跑命令、把活推进下去，错了能不能自己爬起来。名次和上期一样，快照未更新，只当存量数据看。
快报 3视觉理解榜 TOP3（快照截至 2026-09-13，已四天未动）
大白话｜看图问答的盲测，前三名咬在 9 分以内，人类裁判都难分高下。阿里 Qwen3.8 Max 以 8 分之差排在 Anthropic 两员老将之间，是这张榜上唯一非 Anthropic 的前二。
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。
Claude Opus 3 开了个 Substack：让『老将』自己写专栏
Anthropic 给自家 2024 年的老模型 Claude Opus 3 办了个独立通讯站，第一篇文章是它自述『从 AI 前沿的另一侧打招呼』。表面是情怀运营，实质是一次公开的持续写作测试：老模型天天更新，行不行读者自己看得见。
一句话点评｜把旧模型拉出来长期留作业，比发布会演示诚实——能不能持续输出，评论区见分晓。
一次提问、几家 AI 并排作答：有人把『对答案』做成了产品
ShortcutChat 让你把同一个问题一次发给自选的多家 AI，回答并排展示、可以收藏对比。这正是我们推荐的土办法——重要问题问两家对答案——的商品化版本。
一句话点评｜多模型互查这个方向是对的，但聚合入口最怕『中间商换模型』，用前先确认它标没标每题实际答的是谁。
Forespec：专门抓 AI 写代码时『不知道该问的问题』
AI 编程最常见的翻车不是写错，而是需求里没写清、AI 也没问就闷头开写。开源工具 Forespec 的目标是在动工前把这些漏掉的前提揪出来，并在功能生长过程中持续提醒你早期决策还成不成立。
一句话点评｜方向戳中了要害：AI 时代最贵的错误是『没人问』。个人项目，等真实团队的复盘数据再谈上不上手。
Interakt 开源：给自己的网站装一个 AI 搜索加聊天
不用把网站内容交给第三方大模型平台，自己架一套站内搜索和问答，数据不出门。适合手里有文档站、帮助中心，又不想把内容喂给公共服务的团队。
一句话点评｜自托管这条路越来越主流了；对普通读者的意义是你常逛的网站回答更贴自家内容了，但也少了一层平台审核。
Cortex：给 AI 智能体装一层『长期记忆』
开源项目 Cortex 想做智能体的底层记忆和状态层——今天干到哪儿、上次为什么这么决定，换个工具还能接着用。智能体越干越像临时工，缺的就是这一层。
一句话点评｜记忆层是老赛道新玩家，值得盯的是它『记错了怎么办』；AI 记错比没记忆更难排查。
Bitterbot：住在你电脑里的 P2P AI，带『睡眠记忆』玩法
又一个本地优先的个人 AI 引擎：数据存自己机器，点对点同步，还给记忆整理设计了『做梦』机制。噱头之外，本地 AI 的生态位争夺越来越挤。
一句话点评｜本地跑、数据不出门是加分项；『生物记忆』『梦境引擎』这类包装先打折，看它三个月后还在不在。
『AI 蜂群』来了？有团队公开一套防多智能体协同入侵的思路
Inwom 展示的防御思路是：单个 AI 脚本不可怕，可怕的是成群机器的行为开始像一支协调的部队。他们把『群体行为识别』做成了产品主线，恰好接住了智能体普及后的新担忧。
一句话点评｜概念踩得准，但目前更多是官网叙事，等它晒出真实拦截案例再说。
ImpactGate：AI 写的代码，进库前先量一次『腐化值』
这个开源工具在代码合并前给每次改动打分：AI 生成的代码往往能跑，但会把结构越写越烂。ImpactGate 想把这个『结构损耗』变成看得见、能设卡拦截的数字，可挂在提交流程里。
一句话点评｜AI 产量上去了，验证这关必须跟上——给代码腐化装秤正是缺的一环，评分标准公不公开值得先查。
Voxiferi：坏数据别进 AI 的门
创业公司 Voxiferi 的主张是训练和检索数据在入口处先过安检——被污染的语料、假的推荐页，进了门 AI 就照着学。这呼应了『AI 推荐源头造假』接连曝光后的行业焦虑。
一句话点评｜数据入口安检这个品类正在成形；它的检测准不准，要看敢不敢像模型一样晒误报率。
AI 公司抢数据的新战场：你家路由器可能正在替大模型「打工」
一家网络安全研究机构发文指出，AI 公司为爬取训练数据，正在大规模租用「住宅代理」——借普通家庭网络的 IP 去访问网站，网站反爬虫认不出这是机器人。文章说这已成为 AI 数据军备竞赛的下一个前线：训练数据越来越难公开获取，公司就用普通人的网络身份去抓。
一句话点评｜评测视角：以后看某 AI 产品资料「新得离谱」，背后可能有你家宽带的功劳，也有隐私账要算。
● 阿波罗资本入场资助 AI 硬件初创，算力热钱转向『铁疙瘩』（The Information）
● 银行为 Blackstone、Alphabet 相关芯片项目组 220 亿美元贷款（Bloomberg）
● 自动驾驶公司 May Mobility 以 14 亿美元 SPAC 合并上市（TechCrunch）
● 苹果被曝筹划重返服务器市场，高配或搭 4 颗自研旗舰芯片（IT之家 / The Information）
● 张一鸣以 1050 亿美元登顶亚洲首富，财富从港口能源向算法迁移（虎嗅）
● SK 海力士被曝与 Intel 谈在美国本土生产内存芯片（TechCrunch）
① Arena 快照已两天未动，明早先看 09-17 榜是否刷新，重点盯 Meta Muse Spark 1.2（仅 3227 场）名次稳不稳
② 美联储 9 月议息结果落地后，看 AI 板块与『放缓』论战（WSJ、Bloomberg 同日对垒）怎么消化利率
③ OpenAI 被曝测试『赞助智能体』并给广告主加 AI 工具，答案里会不会出现广告位值得盯一轮
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-09-17
数界工坊 · 全球AI评测雷达