社区讨论 · 政策

物界前沿评测 · 2026-08-29

数界工坊 AI 软件新闻和评测8月29日2026/08/28 90 浏览

每天 5 分钟，看懂哪些 AI 工具值得用。今天是第 031 期预览版。

人工盲测榜这几天没更新，数据还停在 8 月 26 日。不过谷歌在 8 月 28 日晚间放了个大招，把本期榜单部分全带活了。

重点更新

一、谷歌 AI 一夜上了三张榜单

Arena（原 LMArena）官方账号宣布，Gemini 3.7 Flash (High) 空降三张榜。智能体榜总榜第 20 名，上一代 Gemini 3.6 Flash (High) 还排第 35，这一下跨了 15 个身位，长程任务的档位已经和 Claude Sonnet 4.6、GPT-5.6 Terra (xHigh) 站到同一层。写代码的 WebDev 分榜从 19 名跳到第 8。文本对话榜第 9 名，1490 分。价格上，2026 年底前输入每百万 token 0.75 美元、输出 3.75 美元，2027 年 1 月 1 日起恢复 1.5 和 7.5 美元。

编程领域专家·老徐说｜ 智能体榜 35 到 20、WebDev 19 到 8，这是实打实的位次变化。但新名次才上榜一两天，样本量还没攒够，先等它稳一两轮。厂商 8 月 13 日那批自家成绩单（FrontierCode 43.6%、DeepSWE 65.3%）按老规矩先打折，想验证就自己拿真实项目跑一遍。

小编小禾说｜ 就是说谷歌这版模型干活写码聊天三样都升名次了，年底前价格还有优惠。不过我上期刚学到，新榜单名次会晃，别急着把全家桶都换成谷歌的。公开榜单就是买之前的买家秀，榜单数据截至 8 月 26 日，新名次是 8 月 28 日刚宣布的，中间隔了两天。

二、AI 扫代码漏洞，报的「关键漏洞」44% 是冤枉的

美国电信巨头 Comcast 拿自家 1.7 亿行代码实测 AI 漏洞扫描。AI 报出的「高危关键漏洞」里，44% 是误报。他们还对比了两种模式，探索式评估让 AI 自由发挥，确定性评估给 AI 明确指令和上下文，两者结果差得不是一点半点。

安全领域专家·老周说｜ 44% 的误报率值得记住。AI 扫描器分不清「看起来像漏洞」和「真的是漏洞」，还是那个老问题，判断边界不清。但实测把两种评估模式分开，说明给 AI 的指令越明确，误报越少。结论就一句，AI 扫出来的结果必须人工复核。

小编小禾说｜ 我以为是 AI 报啥就是啥，原来快一半是狼来了。这跟我 029 期学会的对上了，AI 的话信之前先验一遍。以后谁拿一份「AI 发现安全漏洞」的报告给你，第一条原则就是别慌，先找人确认是不是误报。

三、AI 也有立场？有人把各家大模型拉去做政治坐标测试

一个叫 AI Political Compass 的网站，把各家大模型拖去做原版「政治指南针」测试，给每个模型标出它在政治坐标上的位置，点公司名就能单独对比。测出来的位置，每家都不一样。

产品领域专家·阿哲说｜ 模型不是中性的答题机器，立场是出厂设置，写进训练数据里了。这个测试的价值，是把隐形的立场变成看得见的坐标。选模型不能只看跑分，还得看它怎么回答敏感问题，这本身就是产品的一部分。

小编小禾说｜ 我平时问 AI 问题，默认它说的就是标准答案，从来没想过答案背后还带着训练数据的立场。各家摆在一起比一比，差别还挺明显。以后问社会话题我会多查几个来源，不把 AI 的答案当成没有立场的标准答案。

榜单快报 · 数据截至 2026-08-26（官方暂未更新）

文本对话榜，Claude Fable 5（1508 分）居首，前五里 Anthropic 占四席，Meta 的 Muse Spark 1.2 夹在中间。人类盲测里 Claude 家族几乎包场
智能体榜，Claude Opus 5 (High) 净改进 12.73 分领跑，前五 Anthropic 占四席，OpenAI 的 GPT-5.6 Sol 排第 4，国内 Kimi K3 排第 6
写代码榜，Claude Opus 5 (Max) 1691 分第一，开源选手 Kimi K3 和 Qwen3.8 Max 冲进前三
本期新料，Gemini 3.7 Flash 8 月 28 日空降 WebDev 分榜第 8，详见重点更新

板块精选（10 条）

1. AI 说代码写完了？这个工具帮你检查能不能上线（AI Shipcheck）。本地跑一圈检查 AI 生成的代码是否真能上线，不用注册不传源码。把「AI 说好了」变成「可检查」，方向对，工具自己也是 AI 辅助写的，先拿小项目试

2. AI 智能体想偷传敏感数据？这个开源门禁会拦下（Weir）。读智能体自己的追踪记录，敏感数据流向不该去的地方就让构建失败。把「环境说了算」从理念落成工具

3. 给工厂机器人发指令前，先过一道安全评测（URML）。用人类可读的小语言描述机器人意图，再判断在真实设备上是否允许执行。物理 AI 要上岗，先有「意图可审查」这一步，方向很正，落地还早

4. 开源语音底座，给 AI 接一张能打断、能实时对话的嘴（StreamCore）。一个 Go 二进制文件就能让 AI 通过 WebRTC 和你对话，支持随时打断。语音入口的水电煤开始开源化

5. AI 代理被丢进真实购物网站，实验差点失控（Wet Claude be shoppin'）。有人让 AI 代理去真实购物网站自主下单，结果买回一堆意想不到的东西。真实环境的代理实验永远比演示片可信

6. 给 AI 开了最高权限之后，作者自己被吓到了（Your AI Agent Has Root）。作者一直给 Claude 挂一个能执行系统命令的服务，权限大到基本等于把整台电脑交给 AI。MCP 工具默认权限大得吓人，钥匙先想清楚能开哪几扇门

7. 企业后台也能统一管 AI 用量了（Backstage 的 LiteLLM 插件）。在开发者门户里直接管理虚拟密钥、监控模型调用量。AI 用量内部透明化，是可控的第一步

8. 拿真实行情数据给 AI 兜底（RobinHood）。用 TCN 加 LSTM 加注意力机制分析多资产时序数据，让大模型少点幻觉。治幻觉的先查后答路线又多一个样本

9. 多个 AI 模型串成一条流水线（Polytoken）。把多模型、多步任务串起来跑，省得手动倒腾提示词。AI 编排工具扎堆，本质都想当「不用自己搬砖」那一层

10. 自托管 AI 推理，一个稳定入口模型随便换（InferCrane）。选模型和目标，自动规划部署一个稳定推理端点。本地部署的统一接口思路，换来换去不搬家，成本仍是门槛

明日关注

1. Gemini 3.7 Flash 刚空降的智能体第 20、WebDev 第 8 两个名次稳不稳，看接下来一两周榜单怎么走

2. Comcast 误报研究出来后，各家安全厂商会不会跟进公开自家 AI 扫描的误报率

3. DLSS 5 民间移植版在 RTX 40 系列上的实际帧率和画质对比，等第一批第三方数据

---

本刊为预览版，正式版当天 17 点更新。榜单数据截至 2026-08-26。

政策