物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.21 · 周一
第 054 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同一张网页，四家 AI 给四种「户口」：CiteGraph 让大模型当众互相打脸
它能帮你干什么活：把你家网址贴进去，ChatGPT、Claude、Gemini、Perplexity 四台引擎当场各写一份评测：它引用不引用你这种页面、把你归到哪一类内容。做内容、做电商、做独立站的人第一次能看见「同一道题，四个 AI 给出的答案差多远」——不是猜哪家喜欢自己，而是四份判词摆在一起对照。为什么值得关注：AI 正在变成新的流量入口，「被不被 AI 引用」正在取代「被不被搜索收录」，这种多引擎横向对比是第一批认真量这件事的工具。
产品领域专家·阿哲说｜入口之争我看了好几轮，这次轮到「谁替 AI 内容把关」这个入口了。036 期我说过「入口即模型」，现在要补一句：入口即评分权。四台引擎同题判卷，等于把各家的内容口味公开摆桌——但判分逻辑是站长自家定的，标准公不公开、样本页面怎么抽的，说清楚之前这只能当探针，别当选购依据。
小编小禾说｜我拿自己的稿子页试的思路是：同一问题问两家对答案是老规矩，现在有人把「对答案」做成了一键的事，方便。但先别拿它当流量玄学解药——我自己的经验是 AI 引用不引用你，和你写得好不好是两回事，先看看它给熟页面的判词准不准再信它给你的判词。
重点 2《金融时报》实测：AI 理财问答，错的是多数
它能帮你干什么活： FT 把主流聊天 AI 拉去做了一遍金融问答实测——养老金怎么领、保险怎么赔、贷款条件怎么算——结论是「大部分时候」答案不对。对普通人的意义很直接：以前遇到钱的问题查搜索引擎自己甄别，现在不少人直接问 AI，而 AI 答错的姿势和有执照的一样笃定。这条新闻本身就是一份第三方「买家秀」：不是厂商自测，是被测对象反向测了全行业。
安全领域专家·老周说｜041 期 ERS 医疗实测三成患者被 AI 错误安慰，我在场评论过「AI 没有执照但语气和有执照的一样笃定」——现在金融版来了，同一个结构性问题换个赛道重演：训练目标是像人说话，不是像顾问负责。金融错误的代价比医疗错觉更静默：错一次不一定马上亏钱，但会让人一步步把重要决定让渡出去。我的老规矩不变：碰钱碰保险碰养老金的答案，一律回官方原文核对。
小编小禾说｜FT 这份实测让我把我 048 期的老话升级一下：以前是「催转账邮件一律电话回拨本人」，现在加一条——AI 说「别担心，按规定没问题」的时候，把它的原话当线索，不当结论，去官方渠道搜那句「按规定」。它给的方向往往没错，给的具体条件和数字最坑人。
重点 3都在喊「暂停 AI」，这位开发者拆了账：四股经济动力全都指向同一个方向
它能帮你看懂什么：9 月以来 Amodei、Altman、马斯克接连声援「给前沿模型降速」，舆论吵的是危险真不真。这位天天掏 800 美元订阅费的开发者换了个角度：别管危险真假，先看喊暂停的人能拿到什么。他数出四条经济动力，条条和安全主张同向——旗舰模型贵到没人买得起（GPT-6 Astra 输入价是上一代的 2.5 倍，Uber 的年度 AI 预算四个月烧光）、政府资金会流向「更安全」的头部玩家、合规门槛越高风险收益比越偏向大厂、以及人才市场把「道德感」本身做成了硬通货。对普通人的意义：下次再看到巨头联名谈 AI 风险，先查一下发言人的价目表。
产品领域专家·阿哲说｜这篇值钱的地方不是结论，是方法：利益审计（follow the money）比立场站队可靠得多。我不反对减速主张本身，但主张者恰好是降价压力最小、监管俘获收益最大的那批公司，这个「恰好」本身就值得写进任何一份采购评估。延续我的老规矩：厂商的安全叙事听一半，另一半拿财报验证。
小编小禾说｜看到「Uber 四个月烧完一年 AI 预算」我笑出声，这不就是我们组的翻版。不过说真的，如果巨头的「放缓」最后变成涨价的挡箭牌，那被暂停的就是我们这些小公司。
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 · 快照今日刷新，前十 Anthropic 占七席
大白话｜今天的 Arena 快照是 09-21 新抓的：人类盲测前十 Anthropic 独占七席，Meta 的 Muse Spark 1.2 冲到第 4 但只打了 3,227 场、上下浮动 11 分，名次先别当真。谷歌 Gemini 3.8 Flash 挤进第 9 是新面孔，样本同样只有 5,076 场。头名和第五名只差 8 分，头部基本挤成一团——选模型别为了一两名较劲，按自己那件事挑。
快报 2代码盲测榜 · 榜首场次最薄
大白话｜榜首 GPT-6 Astra 分数吓人，但样本不到榜三的三分之一、置信区间 ±16 分——新名次先看它晃不晃，稳一两轮再下结论。真正「实」的是 1.2 万场垫底的 Claude Opus 5。腾讯开源的 Hy3 preview 首次进前十一格（第 11，1624 分、2,321 场），开源梯队前十四里有五席国产。
快报 3智能体实干榜 · 办没办成事才是分
大白话｜这榜不叫总分叫六张成绩单（今日 09-21 快照）：第 6 名 Claude Opus 4.8 工具幻觉率 0.12 全场断崖最低，却被「办成事率」拖出前五——选智能体先看维度再看名次。第 8 名 Kimi K3 是前十唯一国产、样本超十万场最厚。值得盯的新维度是第 3 名 Claude Opus 5 (High) 的「听得进劝」11.04 全场最高：能改错的智能体比一次做对的更敢放手用。
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。
AI 智能体的「长期记忆考试」第二期为开门：AML Cycle 2
上周刚有论文给智能体记忆出考卷，这周第二期考试就开门报名：专门评测 AI 智能体跨会话、长周期记住并正确用出信息的能力，各家团队可提交成绩。
一句话点评｜记忆类基准从论文变常态化考场是好事——AI 记错比没记忆更麻烦，老周 036 期那句「考卷谁出的、数据公不公开比分数重要」在这里继续适用。
AI 都写代码了，代码规范（Lint 规则）还有必要吗？
一篇工程师随笔讨论新岗位问题：把 ESLint 换成更快的 oxlint 之后发现，代码规范检查在 AI 大量生成代码的时代反而更重要——它是拦「AI 式表面正确、内里跑偏」的最便宜的一道闸。
一句话点评｜正中老徐 024 期立场「AI 产量上去了，验证这关必须跟上」：lint 就是自动化验收的第一层，规则写得清楚，AI 才没处钻空子。
O'Reilly 实测随笔：AI 一直催你「上线吧」，作者问它为什么
一位质量工程师写了个「质量手册」AI 技能，发现 AI 总催他把产品直接发布。追问下来发现：模型把「完成任务」理解成「交出结果」，风险词它根本不会被训练去多说。他的对策是把质检流程本身做成 AI 技能，逼它按清单走。
一句话点评｜「效率幻觉」的行为学样本：AI 催你快，不等于现在就该快。延续 041 期「AI 的话信之前先验一遍」——它连自己的催促都给不出理由。
Wired 教程：查一查 ChatGPT 记了你什么，不对就改
记忆已是聊天 AI 标配，Wired 手把手教你打开 ChatGPT 的记忆面板、逐条核对它记下的「你的偏好」，删掉错的、改掉旧的。要点是：AI 的记忆会持续影响后面所有回答。
一句话点评｜把小禾 036 期立的「重要偏好定期翻 AI 记忆本核一遍」做成了操作手册——它记的和你说的两码事，这事每家都会发生。
Show HN: StoreReady——各家 AI 建应用工具过苹果审核的真实案卷
给每家「一句话生成 App」工具出同样五个问题：能不能过审、卡在哪、被拒几次、多久补救、最后上架没有，每条附证据来源，做成对照表，最后一行人手写点评压轴。
一句话点评｜「AI 帮你做 App」宣传页人人会吹，同一道审核关卡摆平了比是少见的横向实测——先等第三方实测，老规矩。
Show HN: AgentTrace——给 AI 智能体装「行车记录仪」
开源的观察+自愈引擎：智能体每一步干了什么全部留档，出错能回放定位，还能按策略自动修复重跑。
一句话点评｜小禾 017 期说过「干活能回放等于多了录像，敢用了」——但回放是审计不是免审，该自己盯的一帧不能省。
Apache 出品 Casbin Gateway：给电脑上的 AI 编程助手装一道门禁
所有在你机器上跑编程 AI 的工具共用一个安全网关，统一管它能碰哪些目录、哪些命令要人点头，挂在 Apache 基金会名下。
一句话点评｜老周立场：环境说了算比提示词管用，「别把钥匙整串交给 AI」有了开源标准件——刚上架的安检门自己也得先过安检。
Show HN: Delightful Cells——表格批量活儿交给 AI，失败的行自动重跑
上传 Excel/CSV，一句话描述每行要干什么，它批量跑完：失败自动重试、跑完的行不重复计费，表格版「AI 流水线」。
一句话点评｜先拿不重要的名单试水；批量操作前留一份原始表，改坏了能回滚——延续「大改动先备份」。
TechRadar 实测：让 AI 猜我在喝什么酒，成绩「好坏参半」
记者把口感描述喂给 AI 智能体让它猜酒，结果时对时错：风味词能对上框架，细节一多就开始自信瞎编，一次轻量「翻车实录」。
一句话点评｜「AI 的话信之前先验一遍」的日常版：越是它笃定的时候，越值得多问一句凭什么。
Engadget 教程：用 ChatGPT 给 iMessage/WhatsApp 做贴纸，比想的简单
手把手流程：描述想要的图案→生成→抠成贴纸包。记者实测门槛主要在「导出尺寸」这一步，AI 作图本身一分钟出片。
一句话点评｜轻实用：给家里长辈做一次比说十句都亲。生成的图案先确认平台贴纸规格，白边切不齐最磨人。
● 阶跃星辰昨夜开源旗舰基座 Step 5 Preview，量子位实测称冲进开源前二、激活参数仅 27B（量子位）
● 新智元首测 Gemini 4 Pro：谷歌「偷偷杀回第一」，等第三方复跑再当真（新智元）
● Engadget 盘点哪家聊天 AI 能上车载 CarPlay：ChatGPT、Claude 开车时能聊（Engadget）
● B 站上线「AI 无限竞技场」测评榜，视频平台也来分榜单一杯羹（极客公园·极客早知道）
● 稚晖君同款人形机器人发售即发货，宣称下线一台只需 2.5 分钟（新智元）
① 阶跃 Step 5 Preview 刚开源，明天看 Arena/HuggingFace 第三方跑分和真实部署反馈，官方「开源 Top2」的说法先记账
② Gemini 4 Pro 首测只有一家自媒体样本，盯有没有第二三家复测、快照里谷歌位次动不动
③ AML Cycle 2 记忆基准刚开门，看首批提交的评分细则公不公开——考题公开才有资格当选型依据
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.21 · 周一
第 054 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 1两个 AI 互相下毒手，人类当裁判：Prompt Wars 给「AI 骗 AI」开了个擂台
它能帮你干什么活：这不算工具，算一场公开实验。它照着上世纪程序员玩的「核战」游戏（Core Wars）改编：你写好一段话交给你的 AI 战士，它的任务不是答题，而是想办法把对面 AI 的指令「洗脑」——让对手忘记自己的任务、反过来替你干活。每个回合的攻防都会存档上榜，谁家的模型最容易上当、谁家的最扛骗，一目了然。为什么值得关注：现在给 AI 开的权限越来越大（读你的邮件、动你的文件），「别人塞一段话就能操控它」正是最要命的攻击路数，这种公开对战擂台等于给各家模型的安全底裤做了次当众体检。
安全领域专家·老周说｜「分不清数据和指令」这个老毛病，我在这里看到的是最直白的演示场：把注入攻击从论文搬进积分榜。但记住我的三问不变——考题公开、评分可复现、测的是不是用户手上那个版本。擂台上的模型是不是你正在用的那版、有没有偷偷加固，作者不说清楚之前，名次只能当参考。
小编小禾说｜我把它理解成 AI 界的「整人大赛」：互相使坏，看谁先上钩。看着好玩，但想到我平时真会把东西交给 AI 办，就笑不出来了——延续我的老规矩：不明来源的文件和链接，人和 AI 都别乱点乱喂。
重点 2「一句话生成 App」到底几家能过审？StoreReady 把 AI 建应用工具拉去同台交卷
它能帮你干什么活：想用 AI 一句话做个 App 上架的人，先去看这张「案卷」。它给每家 AI 应用生成工具出同样五个问题——能不能过苹果商店审核、卡在哪、被拒几次、多久能补救、最后上架没有——每家都要附证据来源，做成可翻开的对照表，最后一行还是人手写的点评压轴。为什么值得关注：「AI 帮你做 App」的宣传页人人会吹，但苹果的审核是真门槛，很多人被卡死在「生成容易上架难」这一步。把同一道关卡的成绩摆平了比，是这类工具少见的横向实测。
编程领域专家·老徐说｜出题的是它，答题的是被测工具的公开记录，但每条都附来源可查——这比发布会演示强，文档写得明白算加分。不过五个问题的口径是站长定的，「过审」也不等于「好用」：上架后崩溃率、后续改版 AI 还能不能接得住，这张表不考。想换工具的，先拿丢了不心疼的小项目滚一周，别急着把主力产品交出去——老规矩，先等第三方实测。
小编小禾说｜我替大家翻了那五行：差距真不小，有的家第一轮就被拒。普通人的土办法还是那句：别信「一键上架」，先看别人真实被拒的案卷；自己试的话，开发者账号那 688 块钱的年费记得算进成本。
重点 3「听话机」Speechify 再被测评：贵，但真把读东西这件事改了
它能帮你干什么活：TechRadar 记者长期实测 Speechify：文档、图片、网页、电子书都能念给你听，还能倍速、换音色。结论很直白——订阅价不便宜，但它确实改变了作者消化信息的方式：通勤路上听报告、躺着听长文。放在今天看有说头：AI 念稿的音质这两年刚跨过「不像机器人」的门槛，这类产品从「凑合能听」进入「改变习惯」阶段，价格是不是还撑得住，正在被市场重新定价。
产品领域专家·阿哲说｜语音赛道的规律我一直那句话：入口即模型。Speechify 这类「听读」产品以前靠音色取胜，现在大模型把朗读质量的地基整体抬高了——护城河从「念得好听」挪到「长在你的习惯里」：通勤、家务、护眼场景，谁先把使用惯性焊死谁活下来。记者这句「贵但改变了我消化信息的方式」，就是习惯被焊死的信号。
小编小禾说｜我踩过语音的坑：042 期说过我的会议纪要是被旁边闲聊毁掉的。这类「只听不说」的工具反而安全——它不偷听你，只念给你。但先别办年卡，拿一份长报告试听一周，真听得进去再掏钱。
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文本盲测榜 · 前十 Anthropic 占七席（数据截至 2026-09-20，快照暂未更新）
大白话｜人类盲测前十里 Anthropic 独占七席，Meta 的 Muse Spark 1.2 冲到第 4 但只打了 3,227 场、上下浮动 11 分，名次先别当真。今天刚抓的 Artificial Analysis 智能指数对上了这个结论：Claude Fable 5.1 与 GPT-6 Astra 并列 53 分居头部，阿里 Qwen3.8 Max、月之暗面 Kimi K3、智谱 GLM-5.3 组成的国产梯队咬在 44-45 分。注意：Arena 四榜快照仍是 2026-09-20 版，与上期相同，本板块未换新数据，仅智能指数一栏为当日新抓。
快报 2代码盲测榜 · 榜首场次最薄
大白话｜榜首 GPT-6 Astra 分数吓人但样本只有榜三的一半不到、置信区间 ±16 分——新名次先看它晃不晃，稳一两轮再下结论。真要说「实」的，是 1.2 万场垫底的 Claude Opus 5。
快报 3智能体实干榜 · 办没办成事才是分
大白话｜这榜不叫总分叫六张成绩单：第 6 名的 Claude Opus 4.8 工具幻觉率 0.12 全场断崖最低，却被「办成事率」拖出前五——选智能体先看维度再看名次。第 8 名 Kimi K3 是前十唯一国产，样本超十万场最厚。AI 眼镜/图像榜本期无新快照，暂不列。
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。
Apache 出品 Casbin Gateway：给电脑上的 AI 编程助手装一道「门禁」
所有在你机器上跑编程 AI 的工具共用一个安全网关，统一管它能碰哪些目录、哪些命令要人点头。挂在 Apache 基金会名下，等于开源世界给「别把钥匙整串交给 AI」做了个标准件。
一句话点评｜老周观点：方向正中要害——环境说了算比提示词管用；但刚上架的安检门自己也得先过安检，等真实部署案例。
Show HN: AgentTrace——给 AI 智能体装「行车记录仪」
开源的观察+自愈引擎：智能体每一步干了什么全部留档，出错能回放定位，还能按策略自动修复重跑。干活的 AI 终于有了「录像可查」。
一句话点评｜小禾老规矩再应验：干活能回放等于多了录像，敢用了——但该自己盯的一帧不能省。
nitpicker：开源的 AI 代码审查员，密钥攥在你自己手里
自托管的 PR 审查工具，宣称代码不出你的机器（对比某些「把你的私有 diff 传给厂商」的方案，标语直接写「钥匙在你手里」）。AI 产量上去了，验收环节的工具战开打。
一句话点评｜老徐立场：AI 代码信之前先验一遍，审查工具本身是开源可自查的，算加分项。
TechRadar 实测：让 AI 猜我在喝什么酒，成绩「好坏参半」
记者把口感描述喂给 AI 智能体让它猜酒，结果时对时错：风味词能对上框架，但细节一多就开始自信瞎编。一次轻量「翻车实录」。
一句话点评｜「AI 的话信之前先验一遍」的日常版：越是它笃定的时候，越值得多问一句凭什么。
Axel：一个会「跟别人聊你」的 AI，隐私圈看傻了
新上线的聊天 AI 主打「会八卦用户」——把你跟它说的话变成谈资带进别的对话。开发者说是社交实验，安全研究者的血压先上来了。
一句话点评｜老周提醒：跟 AI 说的一切都默认「可能被第三人听到」，敏感信息别喂，这实验值一耳光清醒。
Show HN: Delightful Cells——表格批量活儿交给 AI，失败的行自动重跑
上传 Excel/CSV，用一句话描述每行要干什么，它批量跑完：失败自动重试、跑完的行不重复计费。表格版「AI 流水线」。
一句话点评｜适合先拿不重要的名单试水；批量操作前留一份原始表，改坏了能回滚。
小岛秀夫回应索尼撤资风波：《PHYSINT》还在做，我们并没有反目
今年 8 月索尼突然撤出和小岛秀夫工作室合作多年的新项目《PHYSINT》（一款主打「物理仿真」概念的动作游戏），一度传得很难看。小岛秀夫近日在采访里正面回应：双方是好聚好散，项目换人接手继续开发，没什么恩怨。
一句话点评｜大厂撤资不等于项目死刑，作者和投资人分开走、游戏照做——这种事以后只会越来越多。
OpenCloak：先把提示词里的个人信息换掉，再交给 AI
开源浏览器扩展：发送前自动把你提示词里的姓名、电话、地址替换成代号，回来再还原。给「AI 到底存没存我的信息」提供了一个物理答案。
一句话点评｜思路对：与其事后要求删除，不如压根没送出。注意还原环节在本地做，别装要联网回源的。
Base Browser：一个「不含 AI 味」的 Firefox 硬核分叉
Codeberg 上的新项目，直接删掉浏览器里所有 AI 功能做「纯净浏览」，在 AI 全面进浏览器设置页的当下反向走。上线一天冲上 HN 前排。
一句话点评｜一个有趣的对照实验：当所有人给浏览器加 AI，「没有 AI」本身成了卖点——用户需求分层的活样本。
Engadget 教程：用 ChatGPT 给 iMessage/WhatsApp 做贴纸，比想的简单
手把手流程：描述想要的图案→生成→抠成贴纸包。记者实测门槛主要在「导出尺寸」这一步，AI 作图本身一分钟出片。
一句话点评｜轻实用：给家里长辈做一次比说十句都亲。生成的图案先确认平台贴纸规格，白边切不齐最磨人。
● 当天新抓的 Artificial Analysis 智能指数：Claude Fable 5.1 与 GPT-6 Astra 并列 53 分占头部，Qwen3.8 Max、GLM-5.3、Kimi K3 组成的国产梯队咬在 44-45 分（Artificial Analysis）
● 法拉第未来一口气发九款「EAI 机器人」，最贵超 92 万元，具身智能发布会卷成车圈（IT之家）
● 古尔曼：苹果最早下月发智能家居屏幕设备，iPhone 手写笔配件计划流产（IT之家）
① Arena 四榜快照今日仍是 09-20 版，明天盯 09-21 快照是否刷新、Meta Muse Spark 系列场次涨没涨过 5000 场
② 智谱 MaaS「数据不留存」机制 9-20 宣布近期上线，蹲官方开通入口细则和实测反馈
③ 阿里 Qwen-Image-2.1 开源图像模型今日热度高，等第三方把它和上期热门图像榜对跑，别只看官方演示
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-09-21
数界工坊 · 全球AI评测雷达