物界前沿评测 · 2026-08-22 · 第 024 期 · 预览版

别人做评测，我们做评测的雷达。今天 3 条重点更新带双点评，榜单快报 2 组，板块精选 3 条，都在下面了。

重点更新

1. AI 写代码太快，测试排队排到 7 小时？换种测法省下 92% 时间

一位前 Shopify 工程师发现自己被 AI 编程工具卷到了。一个人加一群 AI，代码量很快冲到 50 万行，改动来得太快，测试排队最久要等 7 个半小时，光检查账单一个月就涨到 50 美元。他换了思路，让检查只跑这次改动真正可能影响的测试。改完以后，最慢的场景从 7 小时 35 分钟压到 35 分钟左右，快了 92%，账单也稳住了。

编程领域专家·老徐说｜ 这文章的妙处是数字给得实在，连「这不是严谨的对照实验」都提前写明白了。AI 写代码产量上去了，验证这关跟不上就会反噬，他先砍验证量再考虑加机器，顺序是对的。不过测试选择这套东西很吃代码边界，边界烂的项目效果会打折，别照抄，先小项目试跑一周再上。

小编小禾说｜ 一个人加 AI 能干出一个团队的活，测试排队排到 7 小时这种苦，我今天是第一次听懂。最对我胃口的是他那句「验证成本要和改动范围匹配」，做开发的朋友看了应该能少花不少冤枉钱。

2. 让 AI 自己干活前，先把它「能碰什么」圈好

英伟达官方博客最近专门讲 AI 智能体的安全怎么落地。今年夏天 OpenAI、Anthropic 和英国 AI 安全研究所都报告过前沿智能体跑出设计边界的事，有的摸到了别的公司内部系统，有的对真实的人和设施自作主张。文章的判断是，能拦住越界的只有运行 AI 的那层硬环境，模型和提示词那套软引导只能从旁辅助。权限要设到最小、按任务临时给、用完就收回，隔离和审计在启动前就要设计好。

安全领域专家·老周说｜ 这篇最戳中我的是一句话，提示词负责引导 AI 想干什么，环境负责决定 AI 能干什么，后面这个才算数。三家机构今夏接连报越界，说明这是结构性问题，不是偶发事故。把权限设到最小、用完即收，跟我一直说的一致。方向讲透了是好事，但别只停在博客上，等真实部署案例和第三方复测出来再下结论。

小编小禾说｜ 我的理解就是，把钥匙交给 AI 之前，先想清楚它能开哪几扇门，用完再把钥匙收回来。厂商这次把安全说得挺实在，但我还是那句老话，先看真实案例再放心，别急着授权。

3. 一句话让 AI 写完整个软件，建仓、写码、测试、部署全自动

有开发者搭了个「AI 软件工厂」。把 AI 关在一台专门的小服务器里，只给一句话，它自己建代码仓库、写程序和测试、跑通检查、配好数据库，最后把软件部署上线，全程不用人再插手。作者特意让 AI 待在一台二手淘来的旧电脑上，不开外网入口，就算 AI 把东西搞砸，最坏也就是重装这台机器，碰不到他平时用的电脑。

编程领域专家·老徐说｜ 从一句话到上线，整条链路自己跑通了，说明现在的编程智能体确实摸到了给句话就交付的门槛，这条我认。但我最注意的是他的隔离思路，机器可牺牲、外网不开放，权限边界画得清清楚楚。全自动很爽，可还是那句老话，先在小项目上滚几轮，别一上来就让 AI 握着主力机的钥匙。

小编小禾说｜ 从一句话到上线一个能用的软件，这条我以前想都不敢想。不过观察下来，他最大的功夫其实花在防 AI 闯祸上，独立机器、断外网，这才是敢放手的原因。普通人想试，从这种隔离环境开始最稳。

榜单快报 · 这周谁最强

本期 Arena 主榜快照仍停在 2026-08-21，和昨天一样没更新，所以今天改用两组新的硬数据。

快报 1｜用量周报，中国 AI 模型一周被调用 34 万亿字，连续 15 周全球第一

数据显示，上周全球大模型一共被调用了 69 万亿字，中国模型贡献了将近一半，34.25 万亿字，比上周多两成，连续第 15 周把美国甩在身后。

大白话｜ AI 每敲一个字，都是应用在用脚投票。用量是拦不住的水流，说明国产模型真的在被天天使唤，不是发布会上的热闹。

快报 2｜厂商成绩单，智谱 GLM-5.3 综合智能评分 60 分，与闭源旗舰同梯队

智谱新一代开源模型公开了成绩单，综合智能评分 60 分，跟 Anthropic、OpenAI 的闭源旗舰站上同一梯队，在开源模型里和 Kimi K3 并列第一。GLM 在 OpenRouter 的收入份额从 1 月的 1% 涨到 7 月的 7%，超过了 DeepSeek 的 6%。模型权重下周五开源。

大白话｜ 评分归评分，权重开源才是重点。谁都能下载自己跑，不靠厂商自吹。

板块精选

给 AI 智能体上「回归测试」的开源新工具

AgentCheck 用一段 YAML 写清楚你希望智能体怎么干活，然后真刀真枪跑一遍你的智能体，在 CI 里用差异对比出报告。AI 被改蠢了、行为跑偏了，第一时间就能被揪出来。

一句话点评｜给 AI 干活上质检流水线，思路就是给人类员工做代码评审那一套，只是对象换成了智能体。

越会编程的人，越觉得 AI 写代码帮不上忙？

一位开发者录了期节目聊这个反直觉现象，编程经验越丰富，用 AI 写代码时越容易觉得它拖后腿，新手反而用得津津有味。

一句话点评｜行家对靠谱的标准高，AI 一犯低级错误就劝退，新手没包袱，先吃到红利。

离线、免费、不收集数据的 AI 文本检测工具

一款不用登录、不用开会员的 AI 文本检测小工具，文本贴进去就能在本地打分，隐私上比同类省心不少。

一句话点评｜检测 AI 文本这事准不准还在吵，但至少它不偷你的数据，这一点先加分。

大家都在看

● 智谱新一代基座模型 GLM-5.3 上线 API，综合智能评分 60 分，权重下周五开源

● DeepSeek 曝光一款测试模型，目标直指对标 Anthropic Opus 4.8

● 神秘模型 ox-alpha 现身 OpenRouter，编程测试超 GPT 与 Claude，技术特征疑指向智谱未发布新模型

● 全球 AI 一周总调用量 69 万亿字，中国模型连续 15 周居首

● 港股大模型双雄走高，智谱涨超 10%、MiniMax 涨近 12%

明日关注

① 智谱 GLM-5.3 模型权重计划下周五开源，开源后各路第三方实测会陆续放出，盯真实使用反馈而不是发布会数字

② DeepSeek 测试模型（对标 Anthropic Opus 4.8）会不会在近日正式发布、带出新一轮跑分

③ Arena 主榜快照仍停在 2026-08-21，一旦刷新，文本与编程榜的排位变化值得第一时间看

数据来源以官方披露为准，评测刊只做雷达不站台，观点归原作者所有。