物界前沿评测 · 2026-09-09

物界前沿评测 · 2026-09-09（第 042 期 · 预览版）

别人做评测，我们做评测的雷达。今天这期重点讲三件事，语音 AI 学会了「听场合」、智能体考试方式被人掀了桌子、还有人把银行账单接给了 AI。

一、开会时AI能听出「该谁说话了」，降噪耳机却还在把人声当噪音掐掉

Tavus Labs 开源了语音模型 Sparrow-2，直接点名一个老大难。现在的降噪技术是为「掐掉背景人声」设计的，可一旦你让 AI 助手边听边答，降噪就把同事的话、你自己的半截话全当噪音处理，AI 听着听着就抢话、漏话。Sparrow-2 改的是判断逻辑，不只看「是不是人声」，还结合整场场景判断「现在轮没轮到这个人说」。作者说它在 TurnBench（专门考「什么时候该开口」的公开测试）的轮次判断项目里排第一，网页上能直接找它的数字人对话试。

产品领域专家·阿哲说｜语音助手品类的分水岭我一直说是延迟、打断、抢话这三件事，跑分再高，插话插得让人想摔耳机就是白搭。TurnBench 这种「什么时候开口」的公开考卷值得多看一眼，它考的正是发布会演示里最容易藏拙的环节。不过头名是主办方自己的榜、自己的模型，老规矩，等别人拿真实会议录音复跑一遍再下结论。

小编小禾说｜我对付过这个坑。用 AI 记会议纪要，旁边同事一说话，记出来的东西一半是他俩的闲聊。要真能做到「谁该说话听得出来」，这是刚需。但官方演示永远挑最顺的场合给你看，我先拿自己家的嘈杂会议室去试，试完再说好不好。

二、让5个AI打了一整季高尔夫，作者说我们的智能体考试方式从一开始就错了

一家叫 Offscript Labs 的团队做了个实验，让 5 个 AI 智能体像球手一样打完整季高尔夫，同一套规则、同一个赛季积分，而不是像现在这样每道题单独计分。他们的发现是，现有榜单把智能体拆成一道道孤立任务考，考不出「连续干几十件事会不会越干越歪」这种真问题。你让 AI 帮你订一周的行程，第 6 天出错，往往不是它那天变笨了，是前面攒的小错滚到了一起，而现在的跑分根本看不见这个。

编程领域专家·老徐说｜这个实验我认真看完了，方向说到点子上了。我做项目最怕的不是 AI 单步写错，是它连着干二十步、错误在第十步埋下、第二十步才爆。现有基准全是短闭环计分，长任务的「误差累积」没人量。用高尔夫赛季做载体很聪明，规则简单、周期长、没法作弊。但提醒一句，这是自建的土考场，出题范围、计分方式都是他们自己定的，分数本身先别当真，「长任务要连着考」这个思路才是值钱的。

小编小禾说｜我把它翻译成我的日子。让 AI 帮我规划一次全家旅行，机票酒店都订了，到第 4 站才发现它把日期接错了，前面订的全要退。原来是它不会「记住自己上一站干了啥」。所以以后看智能体广告，我先问一句，有没有连干一周不出错的记录，单题满分我不稀罕了。

三、把银行账单接给AI帮你查账，先想清楚你交出的是哪把钥匙

一个周末项目 BankMCP 冲上了 Hacker News，它把你多个银行账户的流水接到 Claude、ChatGPT 这类 AI 里，你可以直接问「上个月外卖花了多少」「这笔扣费是哪家」。项目方强调两点，只读（AI 只能看账单不能转账）、服务器自己架（数据不过它的第三方云）。

安全领域专家·老周说｜「只读」和「自建服务器」这两个设计我要肯定，比那种直接把网银账号密码交给云端助手的产品清醒得多。但边界不清的老问题还在。账单里全是行为画像，你在哪吃饭、给谁转账、什么时候花钱，AI 看到的不只是余额。你自己架的服务器要管好三件事，接进来的每个 AI 客户端有没有留对话记录、模型服务商会不会把这些查询存进训练数据、服务器钥匙落在谁手里。权限要设到最小，这句话在这里同样成立，先只接一张不重要的卡试。

小编小禾说｜查账这事我确实懒，几百条流水翻到眼花。但把银行交给 AI，我第一反应是 041 期那个 7 个 AI 开公司自己发假账单的实验，AI 会自己发明它觉得该干的活。所以我的土办法是，用一张余额少的卡接进去试试水，主力卡先不动，看它会不会问出我都没问过的问题。

四、榜单快报（榜单暂未更新，数据截至 2026-09-08 快照）

今天 Arena 三大榜没有新快照，近 48 小时也没搜到可替换的新榜，下面用的是 9 月 8 日的数据，不当今日新榜看。

文本盲测榜（人类投票选出来的名次，Elo 分）前五，Claude Fable 5（Anthropic，1507）、Claude Opus 4.6 High（1505）、Claude Fable 5.1 Max（1504）、Claude Opus 4.7 High（1502）、Muse Spark 1.2 xHigh（Meta，1499）。Anthropic 一家占了前五四席，Meta 刚发布的 Muse 贴着第一集团。第 3、5 名对战数只有三千场上下，置信区间 ±10 分开外，名次比头部虚，掉下去很正常。

智能体实用榜（AI 替你干真实活的净改进分）前五，Claude Fable 5.1 Max（+15.9）、Claude Opus 5 High（+12.7）、Claude Opus 5 Max（+11.7）、Claude Fable 5 High（+10.2）、GPT 5.6 Sol xHigh（OpenAI，+9.3）。Anthropic 前排包场。国产里 Kimi K3 排第 7，净改进 +8.0，但「确认办成事」率 16.6 排全体第二，实际办成事的功夫不差。

代码盲测榜前五，GPT-6 Astra Max（OpenAI，1797）、Claude Fable 5.1 Max（1762）、Claude Opus 5 Max（1688）、Qwen3.8 Max 0902（阿里，1686）、Kimi K3 Max（月之暗面，1674）。榜首只打了一千出头场，置信区间 ±24 分，是头部里样本最薄的，名次随时会晃。

五、板块精选

六、大家都在看

OpenAI 宣称攻克近百年数学难题，纽约大学数学家同天挂出三个独立证明，抢发争议发酵；Meta 发布个人智能体 Muse，向部分用户收费；中国定 2030 年 AI 算力翻四倍目标；Cognition 融资 20 亿美元估值 480 亿；安全公司演示首个微信零点击蠕虫 WeWorm。

七、明日关注

① OpenAI 数学难题之争继续发酵，看双方证明细节和评审反应。

② Meta Muse 向付费用户放量，第一批真实使用反馈值得盯。

③ Arena 若刷新 09-09 快照，验证 GPT-6 Astra 代码榜首名次在样本变大后稳不稳。

完整排版和原文链接见当日评测刊详情页。