物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.23 · 周三
第 056 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扫地机老手的长测推荐：科沃斯 X8 Pro Omni，同门 Max 便宜一大截
它能帮你干什么活：9 月 22 日，TechRadar 一位常年测扫地机的编辑写下自己的推荐：科沃斯 X8 Pro Omni 适合大多数人，但同门的 Max 版本便宜得多，作者给的价格是 899 澳元。这类稿子给的是作者自己长期用下来的感受，不是第三方机构跑出来的标准成绩。
穿戴领域专家·阿凯说｜扫地机吃灰，多半卡在基站维护和充电顺不顺手这两件事上，跟扫得干不干净关系不大。这篇最值钱的部分是边角覆盖和基站清理这两段，宣传页从来不写。899 澳元这一档值不值，看你家有没有地毯、有没有掉毛的宠物。
小编小禾说｜我家那只天天躺墙角，缠头发、撞桌腿。买之前我就问两个实在的问题：基站用不用我天天清理、它认不认我家沙发腿。便宜那档和贵的那档差在哪，等有人用满三个月再说。
重点 2Rabbit 把新 AI 助手搬出那台小机器：不买硬件也能用
它能帮你干什么活：9 月 22 日，The Verge 报道 Rabbit 上线了新的 AI 助手 OS3，不用买它家那台 R1 设备也能用。Rabbit 是靠 R1 那台小机器出的名，当年也因为响应慢、说好的功能没兑现被骂得很惨，这次改成了纯软件的路子。
产品领域专家·阿哲说｜硬件公司回头做软件，通常说明硬件那条路没走通。看它这次值不值得试，就盯一件事：要装的东西越少越好，最好打开一个网页就能用。R1 的老用户先别高兴，还得看老设备能不能继续用。
小编小禾说｜这东西当年被骂成那样，现在说不用买设备了，我倒是愿意试一下网页版。要是还得先注册、排队、绑卡，那就还是算了，等第二批人用完再说。
重点 3一位开发者把 Devin 的新版本用了一轮，写下了卡住的地方
它能帮你干什么活：9 月 22 日，一位开发者在自己的博客上贴出 Devin 的上手记录。他把这一套都试了一遍：桌面应用、命令行工具、新出的写代码模型 SWE-2（Devin 自家的模型），以及把几个模型合起来用的模式。Devin 是能自己读代码、自己改文件的 AI 编程工具。这篇是个人试用记录，没有公开跑分。
编程领域专家·老徐说｜单人一次上手的记录，值钱的地方是它写了哪一步卡住。我看这类文章先找两样东西：仓库有多大、报错之后它能不能自己改回来。这两样官方演示里从来不提。要接自己的项目，先拿丢了不心疼的小模块滚一周。
小编小禾说｜我看不懂 SWE-2 是什么，只关心它能不能把我那个跑了三年的小项目改明白。要是得先把项目怎么启动教给它，那还不如我自己动手。先记账，等第二个人贴出跑通自己项目的记录再考虑。
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 · 榜单暂未更新，数据截至 2026-09-21
大白话｜这张榜的上榜数据是 9 月 13 日更新的，到今天十天没动。前五名只差 8 分，头名和第五名基本算打平。第四名是 Meta 的 Muse Spark，只打了 3,227 场，榜上标的浮动是 11 分，比它跟第三名差的 2 分大得多。前五名里四席是 Anthropic 的 Claude，头两名之间只隔 1 分。
快报 2编程盲测榜 · 榜单暂未更新，数据截至 2026-09-21
大白话｜榜首 1800 分，比第二名高 42 分，看着很稳，可它只有 2,281 场、浮动 16 分；第三名一万两千多场，浮动只有 7 分。这张榜上次更新是 9 月 11 日，十二天没动，昨天和今天上线的新模型一个都没进榜。挑模型别只看名次，先看括号里的场次。
快报 3图片理解盲测榜 · 榜单暂未更新，数据截至 2026-09-21
大白话｜这张榜考的是看图干活的本事，比如认图里的物件、读图上的表格。前五名挤在 11 分之内，第三、四、五名之间只差 1 分，浮动却有 7 分，说明这三家现在谁排前面分不出来。阿里的 qwen3.8-max 排在第二，是前五里唯一一家非 Anthropic 的模型。
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。
一篇把小米新模型 MiMo-V2.6 拆开讲的稿子
雷锋网 9 月 23 日的技术拆解，讲小米新模型 MiMo-V2.6 是怎么练出来的：写字、看图、安全这三类活儿共用一套训练办法，给它的奖励规则也重新设计过。标题里的「2.5 万条轨迹」指的是训练时攒下的两万五千条操作记录，「1M」说的是它一次能读进去的资料长度。文章是作者根据官方公开信息做的整理，没有第三方跑分。
一句话点评｜这类稿子我只盯两处：它换掉的旧办法原来是哪一步卡住，新办法在哪张公开卷子上涨了多少分。第二处这篇没写，先记账。
给自己常用的模型出一套私人考卷
every.to 上的一篇方法文，9 月 23 日在 Hacker News 上被顶上来。做法是把你自己常干的活整理成十几道题，每季度拿这些题把在用的模型跑一遍，看谁答得稳。文里给的例子是写邮件、改稿子、查资料这类日常活。
一句话点评｜公开榜考的是通用题，你的活它不管。这套做法省事的地方是不用装新工具，麻烦的地方在于刚开始得花两小时把题写出来。
用一分钟给代码仓库做一次上线前体检
Hacker News 上出现的新工具 DriftDetector：把代码仓库的地址贴进去，它给一个 0 到 1 的分数，看这个仓库离能上线还差多远，再列几条主要毛病。工具是该团队自己做的，打分口径也由他们定。
一句话点评｜自动体检的结论当提示用，别当判决书。新工具的评分规则还没被别人验过，先拿丢了不心疼的小项目试。
拿真实的服务器配置脚本考了几家模型
steampunk.si 发的一篇对比，9 月 23 日上了 Hacker News。作者拿一套真实的服务器配置脚本去跑几家主流模型，题目从部署网页服务到网络设置都有。这类脚本行内叫 Ansible，作用是把一批服务器按同一份说明配好。文章把题目和模型给的答案都贴出来了，别人可以照着复跑。
一句话点评｜题目和答案一起公开的比较，比发布会上的分数可信。规模还是小：题都出自一家公司的日常活，换到你的场景不一定同样结果。
给 AI 助手起个情景喜剧角色的名字，同事更愿意用它？
The Register 9 月 22 日报道，一家安全公司做了个内部实验：给自家的 AI 助手起上情景喜剧里的角色名，同事更愿意找它们干活，交接也顺一点。文章写的是这家公司的观察，用了多少人、怎么统计都没公开。
一句话点评｜名字能解决的是同事愿不愿意用，解决不了它干得对不对。选工具先看有没有记录每一步干了什么，再谈好不好用。
OPPO 出了个 499 元的「AI 心力球」，一个新品类
OPPO 在 9 月 22 日的发布会上带来一款穿戴新品，叫「AI 心力球」，体验价 499 元，官方主打把 AI 能力放进一个随身小球里。发布会上没有给续航、每天会用几次这类数据。
一句话点评｜新品类先别抢首发。穿戴设备能不能留下来，看的是充电顺不顺手、戴一天会不会忘，这两条官方从来不写。
给 AI 助手搭一个不会闯祸的练习场
Firedrill 是个测试框架。你先造几个假工具、假数据，再让 AI 助手在上面干活，然后检查它每一步调了什么、有没有按你定的规矩走。假工具就是不会真发邮件、不会真转账的替身。
一句话点评｜测试 AI 助手最省事的办法，是别让它碰真东西。难的地方在后面：你得先写清楚什么算干对了，这一步没人能替你做。
DeepMind 写了篇长文，讲怎么动态地考模型
谷歌 DeepMind 的研究院发了一篇文章，主张用动态的办法测试前沿模型的能力：不靠一张固定卷子，而是随着模型变强同步换题。文章讲的是方法，没有给出具体成绩。
一句话点评｜卷子固定、模型越来越大，是眼下所有榜的共同毛病。动态出题这个方向站得住，但出题方自己也该被同样标准检查。
一所大学的教务长，被校报查出多篇署名文章像 AI 写的
达特茅斯学院的校报做了一次调查，把该校教务长 2026 年发的评论文章和学术文章过了一遍检测工具，中位数落在「像 AI 写的」区间。检测工具给的是概率，校方和当事人还没有正式回应。
一句话点评｜又是同一类事故：分数高不等于证据。真该追问的是，谁有权拿这个分数去质疑一个人的署名。
开源社区开始给自己立规矩：AI 写的代码怎么进仓库
一篇文章梳理了开源项目最近的动作：从最早一律禁止，到给 AI 助手写专门的说明文件（比如 AGENTS.md），再到担心自动审查机器人本身被塞指令。文里举了内核自测、QEMU 规则草案、审查机器人被注入指令几个例子。
一句话点评｜规矩从「禁止」变成「写清楚怎么用」，这一步走对了。短板在审查这一环：机器人也可能被喂假指令，那谁来审机器人。
● Claude Opus 5.5 和 GPT-6 Sol、Luna 一夜之间全上线，两家都把调用价格砍了约一半（虎嗅）
● OpenAI 请数学家当顾问，帮着改进模型评测的办法（The Verge）
● 三星一次冰箱软件更新让部分冰箱直接罢工，官方已暂停推送（IT之家）
● 荣耀、小米、阶跃三款手机端侧生成式 AI 服务通过网信部门备案（IT之家）
① Arena 快照还停在 2026-09-21，新上线的 Claude Opus 5.5 和 GPT-6 两款都没进榜，等下次刷新看名次稳不稳（虎嗅）
② 科大讯飞新一代语音识别模型明日上线讯飞输入法，等第三方拿嘈杂会议室录音复跑，再谈换不换默认输入法（IT之家）
③ OpenAI 请的数学家名单和评审规则都还没公开，先记账，等它写出考题怎么定的再当依据（The Verge）
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.23 · 周三
第 056 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帮你在网上比价的 AI，还是分不清「查到的」和「编出来的」
它能帮你干什么活：彭博社 9 月 22 日的一篇通讯说，替人挑货比价的 AI 购物助手，仍然很难分清网页上哪些是事实、哪些是编出来的。这类助手的工作是读商品页、看评论、比价格，再把结论交给你。它读到的内容里，有商家自己填的参数，也有来路不明的说法，两者混在一起。
产品领域专家·阿哲说｜购物这件事的胜负点一直不在谁挑得快，在你信不信它。上周上线的 Meta Muse 也把购物推荐当卖点，讨论的焦点同样落在信不信上。我的建议是先让它干筛选，付款和下单自己点，参数回官网对一遍。
小编小禾说｜上周我让 AI 帮我挑充电宝，它报了一个「一万毫安时只有 80 克」的机型，这个数字我不信。现在的用法是让它列三个候选项，参数我自己去官网一条条核。多花五分钟，少踩一次坑。
重点 2一位开发者把 Devin 的新版本用了一轮，写下了卡住的地方
它能帮你干什么活：9 月 22 日，一位开发者在自己的博客上贴出 Devin 的上手记录。他把这一套都试了一遍：桌面应用、命令行工具、新出的写代码模型 SWE-2（Devin 自家的模型），以及把几个模型合起来用的模式。Devin 是能自己读代码、自己改文件的 AI 编程工具。这篇是个人试用记录，没有公开跑分。
编程领域专家·老徐说｜单人一次上手的记录，值钱的地方是它写了哪一步卡住。我看这类文章先找两样东西：仓库有多大、报错之后它能不能自己改回来。这两样官方演示里从来不提。要接自己的项目，先拿丢了不心疼的小模块滚一周。
小编小禾说｜我看不懂 SWE-2 是什么，只关心它能不能把我那个跑了三年的小项目改明白。要是得先把项目怎么启动教给它，那还不如我自己动手。先记账，等第二个人贴出跑通自己项目的记录再考虑。
重点 3星海争霸的排位赛里混进了 AI，有人教你从操作里认出它
它能帮你干什么活：一位开发者写了篇文章，讲他在星海争霸的线上排位赛里怎么认出对面是 AI。星海争霸是 1998 年的老对战游戏，排位赛指按胜率分级的线上对局。他给的办法是从操作节奏、开局习惯这些细节里找规律，给每个玩家做一份「指纹」。文章是作者自己的观察，没有第三方核对。
安全领域专家·老周说｜认出机器和人，本质上是身份问题。文章里没写误判率是多少，这是最关键的一项。同一套「像机器就下判断」的做法，搬到作业查重、招聘筛选上，判错一次的成本全落在人身上。
小编小禾说｜游戏里认错对手，最多骂一句重开。这套判断搬到考试和论文上我就不放心了：检测工具给的分只是线索，不是判决书。看到「像 AI」的结论，先问有没有第二种证据。
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 · 榜单暂未更新，数据截至 2026-09-21
大白话｜这期换上一张上期没用过的文本榜。前五名只差 8 分，头名和第五名基本算打平。第四名是 Meta 的 Muse Spark，只打了 3,227 场，榜上标的浮动是 11 分，比它跟第三名的差距还大，名次先别当真。前五名里四席是 Anthropic 家的 Claude。另外，这张榜上次更新是 9 月 13 日，比快照日期还早八天。
快报 2编程盲测榜 · 榜单暂未更新，数据截至 2026-09-21
大白话｜第一名 1800 分，跟第二名拉开 42 分，看着很稳。它的场次只有 2,281 场，浮动 16 分；第三名 12,087 场，浮动只有 7 分。场次薄的分数经不起多看。还有一件事：这张榜上次更新是 9 月 11 日，十三天没动过，前五名里有四个的场次不到五千。
快报 3智能体实干榜 · 榜单暂未更新，数据截至 2026-09-21
大白话｜这张榜考的是能自己调工具、连着干好几步的 AI，行内叫智能体。它不排总分，六项分开算：办成事、少说错话、听不听指令、出错后能不能自己爬起来。「工具说错话」指它把没发生的工具调用说成真发生了。前五名这一项都在 0.33 到 0.37 之间，差别很小，拉开名次的是办成事那一项：第一名 19.83，第二名 17.7。场次最厚的不是头名，第四名打了一万九千多场。
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 助手搭一个不会闯祸的练习场
Firedrill 是个测试框架。你先造几个假工具、假数据，再让 AI 助手在上面干活，然后检查它每一步调了什么、有没有按你定的规矩走。假工具就是不会真发邮件、不会真转账的替身。
一句话点评｜测试 AI 助手最省事的办法，是别让它碰真东西。难的地方在后面：你得先写清楚「什么算干对了」，这一步没人能替你做。
DeepMind 写了篇长文，讲怎么动态地考模型
谷歌 DeepMind 的研究院发了一篇文章，主张用动态的办法测试前沿模型的能力：不靠一张固定卷子，而是随着模型变强同步换题。文章讲的是方法，没有给出具体成绩。
一句话点评｜「卷子固定、模型越来越大」是眼下所有榜的共同毛病。动态出题这个方向站得住，但出题方自己也该被同样标准检查。
一所大学的教务长，被校报查出多篇署名文章「像 AI 写的」
达特茅斯学院的校报做了一次调查，把该校教务长 2026 年发的评论文章和学术文章过了一遍 AI 检测工具，中位数落在「像 AI 写的」区间。检测工具给的是概率，校方和当事人还没有正式回应。
一句话点评｜又是同一类事故：分数高不等于证据。真该追问的是，谁有权拿这个分数去质疑一个人的署名。
OPPO 出了个 499 元的「AI 心力球」，一个新品类
OPPO 在 9 月 22 日的发布会上带来一款穿戴新品，叫「AI 心力球」，体验价 499 元，官方主打把 AI 能力放进一个随身小球里。发布会上没有给续航、每天会用几次这类数据。
一句话点评｜新品类先别抢首发。穿戴设备能不能留下来，看的是充电顺不顺手、戴一天会不会忘，这两条官方从来不写。
一个专攻古希腊残片的 AI，想把缺掉的字补出来
Wired 报道，研究者做了一个叫 Apollo 的模型，专门对付图书馆里破损严重的古希腊纸莎草残片，目标是把缺的字补上、把出处和年代对上。这类残片在几十万片量级，很多已经破到人读不下去。
一句话点评｜补字这活儿最怕补得通顺却补错。看这类成果先找两样：有没有公开的对照答案、补出来的东西能不能被历史学者复核。
一个开源的聊天界面，在线模型和本地模型都能接
IntelliChat 是开源的聊天前端，用 Next.js 写，目标是把好几家模型的接口接进同一个界面。开源的意思是代码可以自己部署、自己改。
一句话点评｜换模型不用换界面，对同时用好几家的人是刚需。自己部署要自己管密钥、管日志，图省事的人不划算。
开源社区开始给自己立规矩：AI 写的代码怎么进仓库
一篇文章梳理了开源项目最近的动作：从最早一律禁止，到给 AI 助手写专门的说明文件（比如 AGENTS.md），再到担心自动审查机器人本身被塞指令。文里举了内核自测、QEMU 规则草案、审查机器人被注入指令几个例子。
一句话点评｜规矩从「禁止」变成「写清楚怎么用」，这一步走对了。短板在审查这一环：机器人也可能被喂假指令，那谁来审机器人。
给 AI 剪辑助手准备的「爆款镜头」参考库
RetentionVolt 收了 50 多万条剪接点和开头钩子，来自一千多位短视频作者，按周更新。它把这些整理成 AI 助手能直接调用的接口，这个接口方式叫 MCP。
一句话点评｜素材库的价值在能检索，风险在趋同：大家都照同一批爆款剪，画面会越来越像。当参考用，别当模板抄。
Rabbit 放出一个不用买它家硬件的 AI 助手
The Verge 报道，Rabbit 上线一个能单独运行的 AI 助手，不买它那台 R1 设备也能用。Rabbit 之前那台硬件卖得一般，这次把软件单独拿出来。
一句话点评｜硬件卖不动就转软件，这条路不新鲜。判断标准还是两条：能不能替你办成事、出错后你找不找得到它干了什么。
「会跟你顶嘴」的 AI 创业团队工具
LiveCrew 给创始人配四个 AI 角色，各管一块活，会互相挑错并附上依据。产品页的演示里，有人改完文案，另一个角色会回一句「这个决定我不同意」，然后列理由。
一句话点评｜多角色互相挑错这个思路我们聊过：不同来路的 AI 互相审，比同一个 AI 自查难糊弄。它到底挑不挑得出真错，得有人拿自己的项目跑一遍。
● 马斯克的 Grok Bot 上线一个月用户破 40 万（Bloomberg）
● 微软 Xbox 又一轮裁员，多家工作室并入动视（IT之家）
● 有人在 Hacker News 上发现 Couchsurfing 整站被 AI 重写，配图也是官方生成的（Hacker News）
● AstroForge 把下一次小行星任务的指挥权交给 AI（TechCrunch）
① 刚发布的 Claude Opus 5.5 和 GPT-6 Sol、Luna 还没进 Arena 快照（快照停在 2026-09-21），等下次刷新看名次稳不稳（IT之家）
② 云栖大会开到 9 月 24 日，AgentCore 和 Qwen4 的第三方跑分还没出，官方口径先记账（雷锋网）
③ Meta 的 Muse 上线一周用户破 50 万，等第三方拿出实际任务完成率，再谈它算不算购物入口（The Information）
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-09-23
数界工坊 · 全球AI评测雷达