物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.25 · 周五
第 058 期
重点更新 3 条 · 双专家点评 ｜ 榜单快报 4 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几个大模型放一起，用同一批活比谁写的代码能跑
它能帮你干什么活：9 月 25 日被顶到 Hacker News 的一篇实测。作者把 Claude Opus 5.5、Claude Fable 5.1、GPT-6 Sol 这几款拉出来，用同一批编程任务挨个跑。他不看厂商海报上的分数，只看同一件事各家交出来的东西能不能直接用，哪一步卡住也写了出来。
编程领域专家·老徐说｜第三方拿同一批活对着跑，比厂商自己发的成绩单可信。我盯的还是两样：报错之后它能不能自己改回来，改完的代码我敢不敢合进主干。文章里「卡在哪一步」写得细，这段比结论值钱。真选型别只看这一篇，先拿自己项目里一个丢了不心疼的小模块滚一周。
小编小禾说｜我用 AI 写过几个小工具，最烦的是它交的东西看着对、一跑就报错。以后挑工具我多问一句：同一件事换两个人问，它答得一样吗。
重点 2有人搭了个沙盘，专门测 AI 能不能绕过签名授权
它能帮你干什么活：9 月 25 日 Hacker News 上的一个开源沙盘。它要回答的问题很具体：给 AI 助手一套带签名的授权规则，它会不会绕过去。测试在自己电脑上跑，结果能复现，出题和判分也一并公开。
安全领域专家·老周说｜签名授权说白了就是一张带防伪章的通行证，谁拿哪张、能开哪扇门，规则里都写着。这套做法我认：把规则摆在明面上，看它钻不钻得过去，比空谈风险实在。它测的是规则本身漏不漏，不是某一家的产品好不好。真要用，先在自己的隔离环境里跑一遍，别拿生产环境试。
小编小禾说｜我给几个助手开过公司系统的权限，看完心里一紧。以后开权限前先问一句：它能碰的东西，是必须碰的吗。
重点 3新眼镜多花的钱，大多买在「听得清」和「拍得稳」上
它能帮你干什么活：9 月 25 日 Engadget 把 Meta 新款智能眼镜和上一代摆在一起，一项一项比。新款动了通话收声、摄像头画质和电池，价钱也跟着涨。文章给的结论很直白：算一次小步升级，加价却不小。
穿戴领域专家·阿凯说｜戴一整天你就知道了：眼镜这东西参数再漂亮，压鼻梁、镜腿发热、续航撑不过半天，最后还是进抽屉。上一代我戴满两周，拍张照得瞪着目标停一秒才按。这代要是真把收声和续航改好，通勤路上接电话确实实用。想买的先做一件事：去店里戴满半小时，再决定要不要多掏这笔加价钱。
小编小禾说｜我一直想要副能拍照的眼镜，最怕买回来吃灰。这篇对比帮我定下验收办法：先看电池够不够撑一天，再看拍照要不要人定住不动。
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编程盲测榜 · 数据截至 2026-09-23
大白话｜这张榜考的是写代码：同一道题给两个匿名模型做，谁写得好由人投，投得多分就高。这次榜首换人了，Claude Opus 5.5 最高档以 1818 分顶上来，比第二名高 26 分；可它只打了 1,219 场，榜上标的浮动是 21 分，位置还站不稳。第二名 GPT-6 Astra 打了 4,325 场，浮动只有 12 分，谁的分更实一眼看得出。往下第三名是 Anthropic 上一代旗舰 Fable 5.1，第五名是 OpenAI 的 GPT-6 Sol。上次这张榜更新是 9 月 11 日，今天跑到 9 月 23 日，新模型终于进来了。挑模型先看括号里的场次数。
快报 2实干能力榜 · 数据截至 2026-09-24
大白话｜这张榜考 AI 自己动手干活，三项分分别是：干了这活比原来好多少、任务真办成的比例、中途出错它能不能自己缓过来。这次刷新到 9 月 24 日，是四张榜里最新的，名次没动，前五还是这五款，但分数都往下修了——第一名 Fable 5.1 的「确认办成」从上次的 19.8 掉到 17.0。有个细节：第四名 Claude Opus 5 最高档「出错后自救」12.6，比第一名还高，可「确认办成」只有 10.6，说明它出错能爬回来，但一开始就办不利索的活也不少。
快报 3人类盲投文本榜 · 榜单暂未更新，数据截至 2026-09-13
大白话｜这张榜看的是闲聊答题的本事：同一个问题给两个匿名模型答，谁答得好由普通人投一票。前五里四个位置是 Anthropic，Meta 的 muse-spark-1.2 排第四，可它只有 3,227 场投票、浮动 11 分，和第三名只差 2 分，位置还晃。前两名差了 1 分，浮动都在 5 分以内，实际就是并列。这张榜还停在 9 月 13 日，两周没动，这周上的新模型一个都没进来。
快报 4图片理解盲测榜 · 榜单暂未更新，数据截至 2026-09-13
大白话｜这张榜考的是看图干活，比如认图里的东西、读图上的表格。前五名挤在 11 分之内，第三到第五只差 1 分，可浮动都有 7 分，这几家谁排前面真分不出来。阿里的 qwen3.8-max 排第二，是前五里唯一一家非 Anthropic 的，也是唯一一家中国厂商。数据上次更新是 9 月 13 日，同样两周没动。
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 写的代码，交给另一个 AI 当测试员
9 月 25 日上线的 Canary 把「验收」做成了一件产品：AI 助手写完代码，它负责把程序跑起来，专挑这次改动可能踩坏的地方动手试，试出问题再交回给人。
一句话点评｜思路可以抄，边界也说清了：它只负责挑毛病，改不改、上不上线还是人说了算。
一副扑克机器人整包 1.5MB，在你自己电脑上跑
9 月 24 日 GitHub 上的 QuantPlay：一套用 AI 思路写的扑克程序，整个引擎约 1.5MB，下载一次就能在本机跑，不注册、不连服务器。
一句话点评｜想看看 AI 写的小程序能到什么水平，装一个打两局最快。别拿它的表现去推大模型的水平。
市面上的语音记录笔卖 159 美元，有人花 25 美元自己攒了一台
9 月 25 日 Hacker News 上的 ZephClick：作者嫌这类小硬件太贵，自己搭了台 25 美元的替代品，整理和翻译在自己设备上跑，也能接自己的账号。
一句话点评｜愿意动手的人能省一笔钱；不想折腾的人也能看清这类小硬件里有多少是外壳和牌子的钱。
算数这件事，有人做了个只在你自己电脑上跑的计算器
9 月 24 日 Hacker News 上的 Axiom：一个本地优先的 AI 计算器，题目只在你自己的设备上算，一步一步把过程写出来，不往云端传。
一句话点评｜拿它算账、核对数字，比在聊天框里问一句稳，关键是过程能看见。它算数不等于它懂你的业务，重要数字照样自己再核一遍。
把论文变成能上手点一下的工具
IEEE Spectrum 在 9 月 24 日介绍了 Paper2agent：把一篇研究论文里写的方法，自动打包成一个能直接调用的工具，别人不用重写一遍代码就能试。
一句话点评｜做研究的人省事。普通人也能看懂一点：论文里的本事，正在变成点一下就能试的按钮。
安全团队招了个 AI 实习生，专门去撞自家代码
9 月 25 日 GitHub 安全实验室放出新工具：让 AI 自动给自家代码喂各种乱七八糟的输入，看能不能撞出问题，撞出的每一处都留记录。
一句话点评｜冲着「让 AI 先替人找漏洞」去的，适合手上有一堆代码要护的团队。上线前先拿不重要的模块试。
聊天框不是万能的：什么时候该换个界面让 AI 干活
9 月 25 日 GitHub 官方博客的一篇文章，讲用 AI 写代码的几个常见场景：让它改一小块代码，聊天框合适；让它一次动很多文件时，聊天框反而看不清改了什么。
一句话点评｜天天用 AI 干活的人值得读一遍，能少走「一句话下去、页面全乱」的弯路。
AI 补课和真人补课，学生考 GRE 的成绩差不多
9 月 23 日挂上 arXiv（论文预印本网站，还没走完同行评审）的一篇研究 StudentBench。作者让一批准备考 GRE（美国研究生入学考试）的学生分别用 AI 辅导和真人辅导，最后考试分数的差距很小。题目和评分口径都写在论文里。
一句话点评｜「AI 能当便宜的家教」是大方向，但这只是一门考试、一批学生。想拿它给自己补课，先看它讲错的时候你辨不辨得出来。
给 AI 编程助手配个「查代码的柜子」，整套跑在自己电脑上
9 月 25 日出现在 GitHub 上的 Laya（项目名 SCS）：它先把一个代码仓库读完、编成索引，AI 编程助手要查某个函数在哪被用到、谁调了谁，直接问它就行。整套跑在本机，代码不用传出去。
一句话点评｜「代码不出门」这点对在公司干活的人有用。项目刚起步，先拿一个不重要的仓库试。
让人和 AI 都能用一句话查数据库，先把开销压下来
9 月 25 日上 Hacker News 的一篇工程记录：团队做了个叫 Quail 的引擎，专门处理「用一句人话问数据」这类查询，目标是又快又省。作者把卡在哪、怎么绕开都写了出来，代码和思路都摊在明面上。
一句话点评｜它讲的是怎么把成本压下来，不是又发明了什么新东西。想给公司上「用嘴查数据」的人，可以先看这篇。
● 华为鲲鹏给会自己办事的 AI 助手搭了台「超级计算机」，节点数冲到 4096 个（新智元）
● Meta 的 Muse 上线 12 天，下载量超过 ChatGPT；团队自曝「灵魂文件」来自另一个开源项目（新智元）
● 安全公司 Darktrace 的 CEO 说，会自动办事的 AI 助手正变成公司里的「新型内鬼」（Bloomberg Tech）
● Revolut 在英国试点刷脸结账，图的是少一步付款动作（Engadget）
① Arena 的文本榜和看图榜还停在 9 月 13 日，等它刷新，看 Claude Opus 5.5、GPT-6 Astra 这批新模型进不进榜
② Ray-Ban Meta Gen 3 刚开卖，等戴满一周的人回话：镜腿重不重、通话能撑几小时
③ 那份「AI 补课和真人补课谁教得好」的考卷是自己出题自己记分，等题目和评分能下载、别人复跑对得上，再拿它当依据
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.09.25 · 周五
第 058 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新眼镜多花的钱，大多买在「听得清」和「拍得稳」上
它能帮你干什么活：9 月 25 日 Engadget 把 Meta 新款智能眼镜和上一代摆在一起，一项一项比。新款动了通话收声、摄像头画质和电池，价钱也跟着涨了。文章给的结论很直白：这是一次小步升级，而加价不小。
穿戴领域专家·阿凯说｜戴一整天你就知道了：眼镜这东西参数再漂亮，压鼻梁、镜腿发热、续航撑不过半天，最后还是进抽屉。上一代我戴满两周，拍张照得瞪着目标停一秒才按。这代要是真把收声和续航改好，通勤路上接电话确实实用。想买的先做一件事：去店里戴满半小时，再决定要不要多掏这笔加价钱。
小编小禾说｜我一直想要副能拍照的眼镜，最怕买回来吃灰。这篇对比帮我定下验收办法：先看电池够不够撑一天，再看拍照要不要人定住不动。
重点 2十个 AI 就 15 个现实难题交作业，判卷的是它们的同类
它能帮你干什么活：9 月 24 日上 Hacker News 的一个实验，把 15 个现实难题丢给十个 AI 助手，每个先各自出方案，再把别人写的那份拿来互相打分。题目、各家答案、谁给谁多少分，全贴在网页上。原页写的日期是 9 月 23 日。
产品领域专家·阿哲说｜我老说一句话：打分权从厂商手里拿回来，考卷才值钱。这次连判卷的都不是人，是同期考试的同类，谁也没法提前打招呼。要注意的是题只有 15 道、模型十个，名次会晃，先当方法看，别当权威。
小编小禾说｜以后我再看到「某家 AI 拿下第一」的说法，会先问一句：谁判的卷，题目能不能看到。看不到的，我就不当结论用。
重点 3有人给 AI 出了道自省题：你犯过的错，能自己接住吗
它能帮你干什么活：9 月 24 日 GitHub 上开源的 tapoo，只考一件事：AI 干砸一次之后，能不能自己发现、自己改回来。作者的说法很直接——各家发布模型时只亮最好成绩，出错之后的表现没人写。
编程领域专家·老徐说｜这个思路我认。我们干活最怕的不是它错一次，是它错了还接着往下干，交上来的东西得从头核一遍。挑工具时我会多问一句：出错它报不报，能不能退回上一步。项目刚开源、题量小，先拿丢了不心疼的小模块试一周。
小编小禾说｜上周我让 AI 帮我改表格里的公式，它改错了还在那儿一本正经地往下算。现在我让它改完先停下，给我看一遍再动。
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综合智能榜 · 数据截至 2026-09-25（Artificial Analysis，实时刷新）
大白话｜这张榜把知识、做题、写代码、动手办事几项合成一个总分，分越高越全面。前五名里四席是 Anthropic，唯一挤进来的是 OpenAI 的 GPT-6 Astra。同一个模型按「它想多久」分档排，慢慢想的那档分更高。开源阵营最能打的是小米 MiMo-V2.6-Pro，46 分；往后是智谱 GLM-5.3 的 45 分、月之暗面 Kimi K3 的 44 分。这张榜是实时刷新的，今天看和明天看数值可能不一样。
快报 2快慢与花费榜 · 数据截至 2026-09-25（Artificial Analysis，实时刷新）
大白话｜同一天、同一家的数据，换个角度就完全不同：综合分排第一的那几款，这张榜上一个都没进。出字最快的那两款是专为「秒回」做的；最便宜的前三名全是小模型，本事有限、胜在便宜。挑工具按自己的活对号入座：偶尔用一次看单价，天天用看速度和月账单。
快报 3人类盲投文本榜 · 榜单暂未更新，数据截至 2026-09-13
大白话｜这张榜的分来自普通人一对一投票：同一个问题给两个匿名模型答，谁答得好由人投，投得多分就高。前五名里四席是 Anthropic；Meta 的 muse-spark-1.2 排第四，可它只有 3,227 场投票，和第三名只差 2 分，位置还站不稳。快照仍停在 9 月 13 日，两周没动，这周上线的新模型一个都没进来。
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。
Meta 出了个长得像电子宠物蛋的 AI 小玩意
9 月 24 日 TechCrunch 报道，Meta 新发布的 Muse Charm 外形像上世纪流行过的电子宠物蛋，卖点是让 AI 变得好玩、好接近，而不是又一个冷冰冰的聊天框。文章把问题直接摆在台面上：它能让普通人愿意开始用 AI，还是又一次叫好不叫座。
一句话点评｜看热闹可以，掏钱先别急：消费级 AI 硬件这几年翻车的不少，先看它上市后能不能留下来。
AI 写的代码，交给另一个 AI 当测试员
9 月 25 日上线的 Canary 把「验收」做成了一件产品：AI 助手写完代码，它负责把程序跑起来，专挑这次改动可能踩坏的地方动手试，试出问题再交回给人。
一句话点评｜思路可以抄，边界也说清了：它只负责挑毛病，改不改、上不上线还是人说了算。
一副扑克机器人整包 1.5MB，在你自己电脑上跑
9 月 24 日 GitHub 上的 QuantPlay：一套用 AI 思路写的扑克程序，整个引擎约 1.5MB，下载一次就能在本机跑，不注册、不连服务器。
一句话点评｜想看看 AI 写的小程序能到什么水平，装一个打两局最快。别拿它的表现去推大模型的水平。
市面上的语音记录笔卖 159 美元，有人花 25 美元自己攒了一台
9 月 25 日 Hacker News 上的 ZephClick：作者嫌这类小硬件太贵，自己搭了台 25 美元的替代品，整理和翻译在自己设备上跑，也能接自己的账号。
一句话点评｜愿意动手的人能省一笔钱；不想折腾的人也能看清这类小硬件里有多少是外壳和牌子的钱。
算数这件事，有人做了个只在你自己电脑上跑的计算器
9 月 24 日 Hacker News 上的 Axiom：一个本地优先的 AI 计算器，题目只在你自己的设备上算，一步一步把过程写出来，不往云端传。
一句话点评｜拿它算账、核对数字，比在聊天框里问一句稳，关键是过程能看见。它算数不等于它懂你的业务，重要数字照样自己再核一遍。
把论文变成能上手点一下的工具
IEEE Spectrum 在 9 月 24 日介绍了 Paper2agent：把一篇研究论文里写的方法，自动打包成一个能直接调用的工具，别人不用重写一遍代码就能试。
一句话点评｜做研究的人省事。普通人也能看懂一点：论文里的本事，正在变成点一下就能试的按钮。
给水电医疗这些关键设施做体检，AI 先扫一遍露出在外的门
9 月 24 日 Wiz 和谷歌 DeepMind 一起发布的行动：用 AI 帮着扫描关键设施的对外入口，把「没锁好的门」列出来，再交给人处置。
一句话点评｜方向对，也提醒一件事：扫出来的只是线索，谁去补锁、先补哪扇门，还得人来定。
安全团队招了个 AI 实习生，专门去撞自家代码
9 月 25 日 GitHub 安全实验室放出新工具：让 AI 自动给自家代码喂各种乱七八糟的输入，看能不能撞出问题，撞出的每一处都留记录。
一句话点评｜冲着「让 AI 先替人找漏洞」去的，适合手上有一堆代码要护的团队。上线前先拿不重要的模块试。
聊天框不是万能的：什么时候该换个界面让 AI 干活
9 月 25 日 GitHub 官方博客的一篇文章，讲用 AI 写代码的几个常见场景：让它改一小块代码，聊天框合适；让它一次动很多文件时，聊天框反而看不清改了什么。
一句话点评｜天天用 AI 干活的人值得读一遍，能少走「一句话下去、页面全乱」的弯路。
按住一个键说话，松手文字就出现在光标处
9 月 24 日 Hacker News 上有人分享了自己做的小工具 Szept：按住 fn 键对着电脑说话，松手后文字直接落在光标所在的位置，任何软件里都能用；说错了按 Esc 丢掉。它主打轻量，录音和转写都在本机完成。
一句话点评｜常往输入框里写字的人可以留意这类「说完就走」的小工具，比打开一个大会软件顺手。
● 安全公司 Darktrace 的 CEO 说，会自动办事的 AI 助手正变成公司里的「新型内鬼」（Bloomberg Tech）
● 一家公司把新员工的 AI 权限全关了，先让人自己上手再逐步放开（Hacker News / Valon）
● 麦当劳的 AI 得来速点单员 Archy 上线，能用英语和西班牙语接单（Bloomberg Tech）
● Revolut 在英国试点刷脸结账，图的是少一步付款动作（Engadget）
① Arena 那几个盲投榜还停在 9 月 13 到 15 日的快照，等它刷新，看 Claude Opus 5.5、GPT-6 Astra 这批新模型进不进榜
② Ray-Ban Meta Gen 3 才开卖，等戴满一周的人回话：镜腿重不重、通话能撑几小时
③ tapoo 那份「出错后自愈」考卷是自己出题自己记分，等别人拿同一批题复跑，看名次对不对得上
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-09-25
数界工坊 · 全球AI评测雷达