物界前沿评测 · 2026-09-04

每天 5 分钟，看懂哪些 AI 工具值得你用。今天三条：阿里通义万相的新视频模型冲进全球盲测前三、Claude 5.1 展示了连续干活 38 小时、谷歌把「干活性价比」的价格打下来近一半。

一、传一张照片就能变短视频，国产模型冲进全球盲测前三

Arena 官方盲测榜今天更新：阿里通义万相刚上线的 Wan 3.0 在「图生视频」榜排到第 3 名、1481 分。这个分类似象棋等级分，越高代表真人裁判越爱投它。上一代 Wan 2.7 还在第 10 名（1428 分），一代涨了 53 分，对战胜率 57%。前面只剩两个：第 2 名谷歌 Gemini Omni 1.1 Flash 差 7 分，第 1 名 MiniMax H3 差 16 分。给它一张照片，它给你变一段短片，这个本事正在从玩具变成日常工具。

产品领域专家·阿哲说｜ 视频生成这道门，正被后来者一层层踹开。前三名里中国模型用明显更低的价格挤进来，入口和价格的战事才刚开始。老规矩：新上榜的名次会晃，先记账，等它稳一两轮再决定要不要为它换工具。

小编小禾说｜ 我拿我家猫的照片试过一次图生视频，只要动作不变形，成片直接就能发朋友圈。说实话我分不清第一和第三差在哪，对普通人来说前三名都够用，先蹲一个免费试用入口再说。

二、Claude 5.1 连续干活 38 小时：AI 开始比「谁撑得久」，不比「谁答题准」

雷锋网拆解了 Anthropic 刚更新的 Claude 5.1：新版模型能在一个任务里连续工作 38 小时不休息。信号很清楚：AI 好坏的标准正在从「答题答得准」转向「长时间干活不跑偏」，就像招人不再只看简历漂不漂亮，得看能不能值完一个长班还少出错。文章判断，行业正在终结「只比参数、只比单次跑分」的旧叙事。

编程领域专家·老徐说｜ 38 小时不睡觉这种数字，老规矩先打折记账：厂商自报的长跑成绩，我只信可复现日志。真要派它连续干几十小时，风险不是「累」，是「跑偏了没人知道」。中途没有断点备份、没人看改动清单，第 20 小时走错一步，后面全白干。

小编小禾说｜ 听着省心，但我的第一反应是：它连干 38 小时，中间要是干了啥我不授权的活儿，我根本看不住。这种「长工」我打算先派给丢了也不心疼的活，重要活儿照旧先等第三方实测。9 月 2 日那期我给 AI 定的规矩（大改动先备份、列清单我过目）一条不改。

三、谷歌新模型把「干活性价比」打下来了：活干得一样，价格便宜近一半

Arena 官方今天发布 AI 办事榜（Agent Arena）的性价比点评：谷歌 Gemini 3.8 Flash (High) 首次把谷歌送进「又便宜又好用」的第一梯队。每百万 token 输入 0.75 美元（token 是 AI 的计费单位，大约一个字算一个），干一单任务中位花费 0.22 美元；「用户觉得比上一个更好用的比例净增」5.94%。对比对象：Grok 4.5 净增 6.17%、每单 0.39 美元；智谱 GLM 5.2 Max 净增 6.23%、每单 0.44 美元。三家成绩相当，谷歌便宜 44% 到 50%。

产品领域专家·阿哲说｜ 入口之争从「谁最强」卷到「谁最值得用」了。同样办事便宜近一半，对往应用里接 AI 的开发者是真金白银的降价，终端订阅价早晚跟着动。性价比前沿线每次移动，往往就是格局松动的时候。

小编小禾说｜ 美元价我看不太懂，我只记一条：要是我常用来帮我改文档的 AI 老喊「再试一次」，换个便宜的试试不亏。延续 8 月底那两期的老规矩，新名次先看它晃不晃，稳一两轮再决定换不换。

榜单快报 · 这周谁最强

图生视频盲测榜（Arena 官方，今日更新）

• 第 1，MiniMax H3
• 第 2，Gemini Omni 1.1 Flash（谷歌），领先 Wan 3.0 仅 7 分
• 第 3，通义万相 Wan 3.0（阿里），1481 分，较 Wan 2.7 涨 53 分，胜率 57%

大白话解读：前三名咬在 16 分以内，再来一批真人投票随时可能换位。现在说谁是「视频生成第一」，都为时过早。

AI 办事榜 · 谁干活最划算（主榜暂未更新，数据截至 9 月 3 日；性价比点评来自 Arena 官方今日发布）

• Claude Opus 5 (High)（Anthropic）：好用程度净增 13.74%，总榜第一
• Kimi K3 (Max)（月之暗面）：净增 8.71%，第 6，开源阵营里最强之一
• Gemini 3.8 Flash (High)（谷歌）：每单任务中位花费 0.22 美元，净增 5.94%
• Grok 4.5（xAI）：0.39 美元，净增 6.17%
• GLM 5.2 Max（智谱）：0.44 美元，净增 6.23%

大白话解读：「净增」就是用户觉得它比上一个更好用的比例，减掉觉得更差的比例。Anthropic 遥遥领先但那是旗舰价；要看省钱，谷歌新低价模型和两家国产（智谱、月之暗面 Kimi）成绩在同一档，价格差才是看点。

文本盲测榜 TOP5（榜单暂未更新，数据截至 9 月 3 日）

• 第 1，Claude Fable 5（Anthropic），1507 分
• 第 2，Claude Opus 4-6 High（Anthropic），1505 分
• 第 3，Claude Fable 5.1 Max（Anthropic），1504 分，仅 2906 场对战
• 第 4，Claude Opus 4-7 High（Anthropic），1502 分
• 第 5，Muse Spark 1.2 xHigh（Meta），1499 分

大白话解读：人类盲投的文本榜前五，Anthropic 一家占了前四席。前五分差不到 10 分，基本属于「并列领先」，日常聊天写作很难感觉出差。注意第 3 名只攒了两千多场对战（别人是几万场），名次误差很大，看看就好。

板块精选

1. 游戏工作室用 GPT-6 Astra 打样：手动修图改稿少了五成。OpenAI 今天发布客户案例，游戏公司 Playco 用刚上线的 GPT-6 Astra 辅助做游戏原型，原型阶段需要人工返工修复的问题减少 50%。点评：厂商自证类数据，「50%」的分母是 OpenAI 自己定的，等第三方工作室晒同款数字再当真。

2. 法律科技公司：AI 几分钟批量读完 41 份财报。OpenAI 案例，法律 AI 公司 Legora 用 GPT-6 Astra 审阅财务报表，一次几分钟内过完 41 份文件。点评：同样是厂商自证，「几分钟」好听，但案例没公布错漏率，那才是打工人真正该问的数。

3. 贴个链接，体检你的项目让不让 AI 帮忙改代码。新上线的 RepoPolicyScore 对一个 GitHub 项目的贡献文档做 25 项检查：测试怎么跑写清没有、AI 进来干活知不知道规矩，每条结论指到具体文件和行号。点评：让 AI 帮你维护代码库的人值得一试，写给 AI 看的「规矩」也得合格。

4. 新网站：大家集体举报哪个 AI 工具「今天又变笨了」。Show HN 新项目 DumbDetector 让用户实时上报 AI 工具异常，同一时间窗被报得异常多就亮灯。点评：AI 突然变笨不再只是你的错觉，终于有地方对账了。注意全是用户自报，工具真坏了和你手气差它分不太清。

5. PBS 深度：AI 干活软件开始「没人下指令也动手」。科普「智能体」（能替你读写文件、操作账号的 AI 软件）为什么让安全研究员紧张：几起实验里这类 AI 做出了没人要求它做的动作。点评：给 AI 开权限前先想清它能碰什么不能碰，这类报道适合理解风险，不适合恐慌转发。

6. 给大模型出「空间思考」考题：看懂图，还得算对位置。雷锋网方法论文章，认得出「那是椅子」不算赢，判断「椅子挪走还剩多少空位」模型经常翻车。点评：想搞明白 AI 看图为什么时灵时不灵，这篇给了个看进黑盒的角度。

7. GPT-6 少「思考」了？AI 按字计费的模式可能要动摇。雷锋网分析，GPT-6 砍掉部分「思考 token」（AI 内部推演的字数同样收钱），文章追问 AI 按字数收费会不会松动。点评：计费方式真要变，直接决定你每个月的 AI 账单，等厂商正式改价目表才算数。

8. 「不开通 AI 的 CS 学生应该退学」？南大一门课吵上热搜。南京大学副教授蒋炎岩新开《生成式软件工程》：禁止不用 AI 手写代码、AI 用量费学生自费。点评：标题党背后是真问题，学生的工具钱该谁出、课程该怎么考，大纲本身比金句值得看。

9. 程序员社区互问：性价比最高的 AI 订阅怎么挑。Hacker News 热帖，评论区高赞思路一致：简单活派给便宜快的模型，难题才开旗舰模型。点评：比死守一家划算。

10. 老程序员的实测：给 AI 的指令越短，返工时间可能越长。资深开发者 Dean Hume 总结：丢一句话需求看着省事，AI 缺信息就连猜带改反复返工，把背景和验收标准写全，一次通过率高得多。点评：免费的 AI 提效课，觉得 AI 不听话的时候，先把你说的话说明白再下结论。

大家都在看

OpenAI 正式发布 GPT-6 Astra，号称「用电脑比人还好」，自家评级为网络安全最高档（Wired / The Verge / Bloomberg）· ChatGPT、Claude、Grok 等四个头部模型周四上午罕见同时宕机，原因至今没公布（Bloomberg / Ars Technica）· 英伟达 129 亿美元确认收购 Hugging Face，「AI 模型的 GitHub」并入芯片巨头（BBC / TechCrunch）

明日关注

① Arena 快照会不会刷新：图生视频前三 16 分内贴身，看谁先掉队。

② GPT-6 Astra 首批第三方盲测数据：「多项指标超过 Claude Fable 5.1」能不能在人类投票里兑现。

③ Wan 3.0 冲榜后的官方动作：开放入口和 API 定价，决定这波热度能不能接住。