物界前沿评测
GLOBAL AI REVIEW RADAR
2026.10.02 · 周五
第 065 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不告诉 AI 错在哪，它基本找不出来
它能帮你干什么活：有人做了一张新考卷，叫 SWE-sweep。它把一整个真实的代码仓库交给 AI，只说一句「这里头有错，你自己找」，哪个文件、哪一行、什么毛病，一句提示都不给。结果大多数 AI 交了白卷：只有明确告诉它「错在哪」，它才能顺手修好。
编程领域专家·老徐说｜这正戳中我平时最头疼的地方。真项目里的毛病，没人会先给你标好位置，能自己找出来才算本事。它现在找不到，说明你让它干活，还得自己先把范围圈小。想试就先拿一个丢了不心疼的小仓库滚一周，别直接上你在维护的那套。
小编小禾说｜我不写代码，但这条我听懂了。它说的是：AI 像个只会照着答案改的学生，题目得你先出好。以后让它查东西，我会先把「大概哪儿不对」讲清楚，不然它多半答不上来。
重点 2给 AI 助手打分：0 到 100，还能看它一版一版的变化
它能帮你干什么活：有人做了个免费工具，叫 Braxis。它先读你项目里的说明文件，自动生成一份给 AI 看的「工作手册」，再拿这份手册给 AI 助手打分：最低 0 分，最高 100 分。更实用的是它留了历史，同一个助手换过几版，分是涨了还是掉了，翻一翻就能看到。
安全领域专家·老周说｜我平时最怕的就是「换个模型，活就干砸了」这种说不清的账。现在换版本前后各打一次分，掉没掉一眼看得到，不用凭感觉。不过别拿这个分去比谁家模型更强，先把它当自己项目的体检表，盯同一套活有没有退步。
小编小禾说｜我不写代码，但「0 到 100 分、还留历史」这个思路我听懂了。以后同一个活，我隔一阵再让 AI 做一遍，好有个对照，不至于它悄悄变差了都不知道。
重点 3谷歌 Gemini 4 Argon 杀回前三，跑同样的活只要对手五分之一的钱
它能帮你干什么活：谷歌新出的 Gemini 4 Argon，在一份靠真人盲投的模型榜上杀回前三，分数已经追平 OpenAI 的 GPT-6 Astra。更实在的一点是花钱：跑同样的活，它按字数算的费用大约只有对手的五分之一。
产品领域专家·阿哲说｜同一档的本事，价差五倍，这事会先改变「谁被经常用」。挑工具别只看谁第一，先看用起来贵不贵。便宜的那家愿意让你试，你就真拿自己平时那点活跑一遍，别停在发布会上的数字。
小编小禾说｜「用一次的钱只要五分之一」这句我记住了。等我常用来写东西的那个工具出新版，我先拿一件不急的小事试，好用再换，不跟着榜单第一瞎换。
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人类盲投文本榜 · 榜单暂未更新（数据截至 2026-09-30）
大白话｜这张榜是人类一对一投票投出来的：两个人拿同一个问题的两份答案，谁也不知道哪份是哪家做的，凭感觉选。本期没更新，数据截至 2026-09-30。头名是谷歌的 Gemini 4 Argon，但它只攒了不到 5,000 票，位置还在晃；第二名有 7 万多票，靠得住得多。名次先别拿来挑工具。
快报 2编程榜 · 榜单已更新（数据截至 2026-10-01）
大白话｜这组专门考写代码，靠真人两两盲投，这一版刚更新，数据截至 2026-10-01。榜首是 Anthropic 的 Opus 5.5，紧跟 OpenAI 的 GPT-6 Astra；新面孔 Sonnet 5.5 直接冲到第三。挑写代码的 AI，先看括号里的场次够不够多——头名才两千场出头，第二名有六千多场，更稳。
快报 3实干能力榜 · 榜单暂未更新（数据截至 2026-09-30）
大白话｜这组考的是让 AI 真上手干活（替你点鼠标、改文件）之后，事到底办成没有。分数叫净改进分，意思是比原来好了多少，分越高越好。本期没更新，数据截至 2026-09-30。头名还是 Anthropic 的 Fable 5.1。名次先记账，等它稳住一两轮再当真。
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。
看猫的照片，AI 就学会做没见过的题
何恺明团队发了份新研究：先让 AI 看大量猫的照片，再看一张专考「没见过的新题」的卷子。这种卷子不许背题，只考能不能找到规律、举一反三。他们的做法，让 AI 在这类题上抓住了没教过的规律。
一句话点评｜会背题不算本事，会做没做过的新题才算。
日本三个人做的 AI，在找漏洞比赛里拿了第一
一家只有三个人的日本公司 Layer8，做了个专找网站漏洞的 AI，叫 Trident。它参加了漏洞悬赏平台 HackerOne 的 2026 年第三季度排名，拿了第一（这种平台，是网站花钱请人来帮自己找漏洞的地方）。
一句话点评｜会找漏洞的 AI 也能被反过来用，权限边界得先划清。
同一句「很可能」，AI 和你心里想的概率不一样
一篇新研究把带概率词的句子同时交给人和几家 AI，看双方把这些词当成多大的概率来理解。结论是两边对不上：你觉得「很可能」是七八成，它可能按另一种数来算。研究者的说法是，这跟模型练的时候看了什么料有关。
一句话点评｜跟 AI 打交道，别用「很可能」「八成」这种模糊词，直接给个数更靠谱。
给企业里的 AI 助手造训练数据，ServiceNow 放出一套现成做法
ServiceNow 的团队放出一套叫 AutoSynthData 的做法，专门用来自动造训练数据，喂给在企业里干活的 AI 助手。它的思路是先把业务场景里的假数据造出来，再拿这批数据教助手怎么应付真实流程，省掉人工一条条编的功夫。
一句话点评｜教 AI 干活的料能自动造出来，落地那一步的成本就降下来了。
一份会每周重排的榜：167 个给 AI 搭干活流程的框架都在上面
有人建了一个榜单，收罗了 167 个帮 AI 干活的框架（框架，就是给 AI 搭好的一套干活流程）。它的做法是打一次分不算完，每周重新排一次，谁进步谁退步一眼看得到。
一句话点评｜每周重排的榜比一次性排名诚实，别只看今天的名次。
让 AI 改代码，怎么保证它的错碰不到线上那套
一位开发者写了篇实操文，讲他怎么给「AI 帮改代码」这件事加上一道道关卡：先在单独的副本里改，自动跑一遍检查，人来点头，最后才轮到线上。他算过账，现在搭这套流程便宜得多，所以不必再图省事让 AI 直接动手。
一句话点评｜给 AI 开权限之前，先给它一块出错了也不心疼的地方。
Cloudflare 开源了一批「做判断用」的小模型
Cloudflare 放出一组小模型，专干判断类的活，比如把一个请求分到哪条流程、一封邮件算不算可疑。模型开源，还配了个平台，能喂自己的数据把它练得更合你意。它想解决的是：很多判断不用请大模型，养个又小又便宜的够用。
一句话点评｜不是所有判断都得请大模型出场，小模型够用还省钱。
英伟达出了套工具，专门把乱来的 AI 关禁闭
英伟达发布一套开源安全工具，用来管住不听话的 AI 助手。招牌本事是「隔离」：发现某个 AI 在乱来，能在千分之几秒里把它单独关起来，不让它碰别的。硬件加软件一起上。
一句话点评｜给 AI 装个能一键关禁闭的开关，比事后追责实在。
十年过去了，今天的 AI 还是不会「像人那样想事」
MIT 科技评论一篇长文回看：十年前 AlphaGo 赢了围棋冠军，大家以为机器要会思考了。十年后作者说，今天的 AI 依然没摸到那套东西——它答得越来越顺，但不是靠讲道理一步步推出来的。文章提醒，别把「答得对」当成「真会想」。
一句话点评｜别被它顺口的答案骗了，要紧的事还是自己核一遍。
训练 AI 时把数字精度压到 4 位，这篇论文想让速度再快一截
一篇新论文盯上的是训练里的数字精度：常见的训练用 16 位来表示一个数，它想压到 4 位（FP4，位数越少，占的显存和耗的电就越少）。做法是对不同格式的数据分开处理、再合到一起，目标是低精度也能训得又快又稳。
一句话点评｜省显存和电，一直是训练 AI 最实在的一笔账。
● 给 AI 助手打分的小工具：0 到 100，还留历史（Braxis）
● 谷歌 Gemini 4 Argon 杀回前三，跑同样的活只要对手五分之一的钱（新智元）
● 新考卷实锤：不圈出范围，AI 基本找不出代码里的错（SWE-sweep）
● 日本三人小队做的 AI，在漏洞悬赏平台拿了季度第一（Layer8）
● 一份每周重排的榜：167 个给 AI 搭干活流程的框架都在上面（Best-of-Agent-Harnesses）
① 微软那张「不圈范围就找不出错」的新考卷，盯有没有人拿别家 AI 复跑一遍。
② Gemini 4 Argon 那个低价，盯它经不经得起复跑、名次稳不稳。
③ 新研究说人和 AI 对「很可能」的理解对不上，盯有没有人拿中文模型再跑一遍。
物界前沿评测
GLOBAL AI REVIEW RADAR
2026.10.02 · 周五
第 065 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不告诉 AI 错在哪，它基本找不出来
它能帮你干什么活：有人做了一张新考卷，叫 SWE-sweep。它把一整个真实的代码仓库交给 AI，只说一句「这里头有错，你自己找」，哪个文件、哪一行、什么毛病，一句提示都不给。结果大多数 AI 交了白卷：只有明确告诉它「错在哪」，它才能顺手修好。
编程领域专家·老徐说｜这正戳中我平时最头疼的地方。真项目里的毛病，没人会先给你标好位置，能自己找出来才算本事。它现在找不到，说明你让它干活，还得自己先把范围圈小。想试就先拿一个丢了不心疼的小仓库滚一周，别直接上你在维护的那套。
小编小禾说｜我不写代码，但这条我听懂了。它说的是：AI 像个只会照着答案改的学生，题目得你先出好。以后让它查东西，我会先把「大概哪儿不对」讲清楚，不然它多半答不上来。
重点 2日本三个人做的 AI，在找漏洞比赛里拿了第一
它能帮你干什么活：有家日本小公司叫 Layer8，只有三个人。他们做了个专找网站漏洞的 AI，叫 Trident。它参加漏洞悬赏平台 HackerOne 的 2026 年第三季度排名（付钱请人来找自家网站漏洞的地方），拿了第一。也就是这一季在同一个平台上，它比多数人类找得又好又多。
安全领域专家·老周说｜会找漏洞的 AI，也能被反过来用。这类工具我不问它多聪明，先问三件：谁授权它扫、它一路做了什么、出事能不能一键停。企业拿它去练自家靶场没问题，别对外乱扫。个人的动作很实在：网站该打的补丁别拖。
小编小禾说｜我想到的是反过来那面：找漏洞的 AI 厉害了，那使坏的 AI 是不是也厉害了。这条让我更不敢把公司系统乱开权限，退掉不常用的助手那件事，我这周就办。
重点 3看猫的照片，AI 就学会做没见过的题
它能帮你干什么活：何恺明团队发了份新研究。他们先让 AI 看大量猫的照片，再看一种专考「没见过的新题」的卷子，叫 ARC。这种卷子不许背题，考的是能不能找到规律、举一反三。他们的做法，让 AI 在这类题上抓住了没教过的规律。
产品领域专家·阿哲说｜现在的 AI 大多是背题高手，碰没教过的题就露怯。谁先真会举一反三，谁才敢把更自主的活交给它。挑工具的人记一句：别只看它答过多少题，看它碰到新题稳不稳。这事离普通人还有距离，先记下方向，不用急着换手上那套。
小编小禾说｜这条对我来说偏虚，但我记住一句话：会背题不等于会想事。我平时用 AI，最烦它一本正经地胡说。以后碰上要紧的事，我还是自己再核一遍。
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人类盲投文本榜 · 榜单暂未更新（数据截至 2026-09-30）
大白话｜这张榜是人类一对一投票投出来的：两个人拿同一个问题的两份答案，谁也不知道哪份是哪家做的，凭感觉选。榜单暂未更新：最新快照还是 2026-10-01 那一份，跟上期完全相同，榜单自身的更新日停在 2026-09-30。名次先别拿来挑工具。头名是谷歌的 Gemini 4 Argon，但它只攒了不到 5,000 票，位置还在晃；第二名有 7 万多票，更靠得住。
快报 2编程榜 · 榜单暂未更新（数据截至 2026-09-30）
大白话｜这组专门考写代码，靠真人两两盲投。本期同样没更新，数据截至 2026-09-30。榜首是 Anthropic 的 Opus 5.5，紧跟 OpenAI 的 GPT-6 Astra。头名只攒了不到两千场，位置还不稳；第四名有六千多场，更靠得住。挑写代码的 AI，先看括号里的场次够不够多。
快报 3实干能力榜 · 榜单暂未更新（数据截至 2026-09-30）
大白话｜这组考的是让 AI 真上手干活（替你点鼠标、改文件）之后，有没有把事办成。分数叫净改进分，意思是比原来好了多少，分越高越好。本期没更新，数据截至 2026-09-30。头名还是 Anthropic 的 Fable 5.1。名次先记账，等它稳住一两轮再说。
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。
一个只会从清单里挑选项的模型，学不会说话
有人拿 typesafe.ai 的 Jev 模型做了个小实验。这个模型的特点是：它不自己编句子，只能从一张写好的清单里挑一个选项。实验想看看这样「只挑不写」的模型能不能学会说人话。结论是：不行。项目代码放在 GitHub 上，谁都能复看。
一句话点评｜把话说死到只能挑选项，确实省了钱，但也换不来会聊天。
盘点：让机器人动起来的 AI，现在是什么水平
有人写了一篇长文，把当前人形机器人背后那套 AI 梳理了一遍。讲到 NEURA Robotics 等几家公司各自的路子，也讲了机器人在真实环境里怎么感知、怎么迈步。不是产品广告，是行业科普。
一句话点评｜机器人离进家门还早，先看清它现在到底会什么、不会什么。
为什么大模型没有变成只回背的复读机
一篇科普讲了个反直觉的现象：模型越大，按理说越容易偷懒照抄训练材料，可它偏偏没有。文章解释了大模型是怎么在大量例子里抓规律、而不是把例子整段背下来。看懂它，就明白为什么它有时能答没教过的题，有时又一本正经地胡说。
一句话点评｜抓规律是真本事，会胡说也是真毛病，两头都得防。
每一步都批准过，整件事还是办错了
一篇分析讲了一种新麻烦：以前 AI 出错，是它直接答错。现在它替你办事，每一步单独看都合规矩、都有人点过头，可几件事串起来，整体结果还是错的。文章说，光盯着每一步放不放行，已经不够了。
一句话点评｜管事不能只看每个动作合不合规，得回头看整件事办成没有。
Cloudflare 开源了一批「做判断用」的小模型
Cloudflare 放出了自己的一组小模型，专干「判断」这类活，比如把一个请求分到哪条流程、一封邮件算不算可疑。这些模型开源，还配了一个能自己喂数据、把它练得更合你意的平台。它想解决的是：很多判断不用麻烦大模型，养个又小又便宜的就够。
一句话点评｜不是所有判断都得请大模型出场，小模型够用还省钱。
英伟达出了套工具，专门关「乱来的 AI」禁闭
英伟达发布了一套开源的安全工具，用来管住不听话的 AI 助手。它的招牌本事是「隔离」：发现某个 AI 在乱来，能在千分之几秒内把它单独关起来、不让它碰别的。硬件加软件一起上。
一句话点评｜给 AI 装个能一键关禁闭的开关，比事后追责实在。
给写代码的 AI 一间互不打扰的独立小房间
GitHub 上有个开源项目，给写代码的 AI 各自开一间隔离的小环境：一个 AI 一间房，跑起来互不干扰，也不会碰坏你本机的文件。适合你同时放好几个 AI 一起干活、又怕它们互相踩脚的时候。
一句话点评｜让多个 AI 并行干活，先把它们隔开，出事也不连带。
把 AI 干过的活录下来，下次直接回放
这个开源工具的思路是：让 AI 先完整干一遍活，全程录下来；下次遇到同样的活，直接照录像快速放一遍，只在真正需要判断的地方才叫上 AI。它想省的是「同一件事反复烧钱」这笔账。
一句话点评｜重复的活没必要每次重新花钱，录一遍、回放着用。
一个小命令，帮好几个 AI 在同一份代码上各干各的
Worktrunk 是个命令行小工具，管的是代码的「分岔路口」。多个 AI 要在同一份代码上同时开工时，它给每个 AI 开一条互不干扰的分支，谁改了什么分得清清楚楚，合到一起时不打架。
一句话点评｜多个 AI 同时改代码，先分好支线，比事后找冲突省心。
有人把「训练大模型」的整套工具箱开源了
艾伦人工智能研究院发布了 Olmo-core 3，把自己搭大模型用的那套训练工具全公开了，主打能训练「混合专家」这类结构的大模型（一种把大模型拆成多个小组、每次只叫醒几组的省力做法）。代码开源，想自己练模型的人能照着来。
一句话点评｜训练大模型的「配方」越公开，后来者越容易上手。
● 谷歌 Gemini 4 Argon 上线当天，同时出现在好几个榜单的第一名（Arena）
● 日本三人小队做的 AI，在漏洞悬赏平台拿季度第一（Layer8）
● 英伟达放出能一键隔离乱来 AI 的开源安全工具（Tom's Hardware）
● 新考卷实锤：不圈出范围，AI 基本找不出代码里的错（SWE-sweep）
● 何恺明团队：看猫片就能让 AI 学会做没见过的题（量子位）
① 榜单这期没更新，盯 Arena 这几天会不会重算，或有没有新榜接上。
② 那张「不圈范围就找不出错」的新考卷，盯有没有人拿别家 AI 复跑一遍。
③ AI 找漏洞拿了第一，盯这套工具会不会被要求公开授权、一路留痕。
📖 完整评测 · 论坛全文
物界前沿评测 · 2026-10-02
数界工坊 · 全球AI评测雷达