物界前沿评测 · 2026-09-11

第 044 期 · 预览版

别人做评测，我们做评测的雷达。每天 5 分钟，看懂哪些 AI 工具值得你用。

重点更新

1. AI 干活出了事谁来盯？新出的考官题，专门考监督 AI 的程序漏了多少坏

不少公司给 AI 装了「内部监视器」，就是一段程序，盯着 AI 内部的动静，发现苗头不对赶紧报警。9 月 10 日上线的 ObserverBench 不干别的，就考这些监工。它拿一批 AI 真正越界的案例喂给各家监视方法，看谁能把危害大小排对顺序，重点是漏掉了哪些真坏事，而不是报了多少警。一个漏掉大麻烦却爱报小警报的监工，比灵敏度低的那个更危险。目前是免登录的在线演示，谁都能点进去试。

安全领域专家·老周说｜上期我说「安检门自己也得先过安检」，现在终于有人给安检员出考卷了。按漏判危害计分，逼着监视方法承认自己没接住什么，比只看误报率诚实。但考场是新建的，题库深浅还没人查过，先记账不入场。

小编小禾说｜内部监视器我一开始没看懂，后来想明白了，跟家里装摄像头一个理，就怕真出事它没录上。演示页不用注册，我找时间替大家点一圈再回话。

2. 跑了几十年的老爷系统，AI 两周搬进新代码，工程师把翻车过程全晒了

很多公司都养着一批古董代码，比如 Oracle Forms 6 写的老业务系统，会改的人越来越难请，扔又扔不掉。Vaadin 的工程师 9 月 10 日写了篇实验记录，让 AI 把整个应用迁移成 Java，过去行规要 6 到 8 个月的活，实际用了两周。文章没吹牛，大量篇幅在记录 AI 在哪几步卡住、试了几轮才对、哪些地方还得人来修。

编程领域专家·老徐说｜敢把失败轮次写这么细的是少数，这份坦诚比两周这个数字值钱。泼个冷水，那是他一个人的速度，不是团队的平均数，能跑起来和敢上线中间还隔着测试、回归、灰度一整套。想抄这招，先挑一个丢了不心疼的小模块滚一周。

小编小禾说｜最让我意外的是他真敢把 AI 翻车的过程写出来。我们那套老办公系统外包报价要半年，这篇我转给管技术的同事了。老话再说一遍，让 AI 动大手术之前先备份，让它列改动清单给人过目。

3. 新 Siri 终于记得你是谁了，Wired 盘完 9 月 10 日发布会后的新功能

苹果秋季发布会之后，Wired 发了新功能盘点。变化最大的是新 Siri 开始理解个人上下文。你说「把刚才那张照片发给妈」，它得知道刚才指哪张、妈是哪个联系人。另外支持连着下好几条指令，不方便开口的场合可以打字跟它说。治的是语音助手接不住话的老毛病。

产品领域专家·阿哲说｜040 期我评过这版内测，入口不等于使用。这次功能单里真正关键的就一项，记得你。个人上下文是语音助手少有的抄不走的底牌，因为 iPhone 在你兜里。老规矩，别信发布会演示，等功能真发到机器上，等一周真实反馈再下结论。

小编小禾说｜上次我说用不起来不是我的错，这次按老办法逼自己连用一周再评。就一个顾虑，它要把我的家人、习惯记在小本本上，这本子存在哪、能不能拿去训练，等隐私条款说明白再开，别急着点同意。

榜单快报

智能指数（Artificial Analysis，9 月 11 日抓取）。Claude Fable 5.1 (max/xhigh) 和 GPT-6 Astra (max/xhigh) 并列 53 分。同分之下看钱包，GPT-6 单任务 2.31 到 3.26 美元，Claude 要 5.98 到 7.63 美元。开源前三全是国内模型，GLM-5.3（45）、Kimi K3（44）、GLM-5.3-Flash（42）。

人类盲测（Arena，数据截至 2026-09-10，快照未更新）。文本榜前五 Anthropic 占四席，Claude Fable 5 以 1507 分居首。提醒一句，第 3 名 Fable 5.1 (max) 只有 2906 场对战，样本比第二名薄二十多倍，名次还会晃。智能体榜 Fable 5.1 (Max) 第一，赢在把活干成和命令出错后自我修复；GPT-6 Astra (Max) 第二，胜后口碑分反而更高。

速度与成本（AA 今日榜）。Celeris-1 每秒 1382 字登顶速度榜，比最聪明的 Fable 5.1 快 4 倍多，但最快和最聪明不是同一批模型，按活分着用。单任务最便宜到 0.01 美元一档，量大活简单的场景够用，难题别省这个钱。

板块精选

• 200 多个 AI 工具的「拿不拿你的数据练功」，被打分摆明了。厂商早不公告了，改成你一注册开关就开着，条款偷偷改还会被记下来。交给 AI 之前先查这个榜。
• 给 AI 指令文件盖「出厂签名」。PromptSign 把软件签名那套搬给 CLAUDE.md / AGENTS.md，防指令投毒。方向对，等真实拦截案例。
• 算力新尺子 CAF。不看机房标称多大，看你付钱的算力真能用上多少。接下来看有没有人敢拿它给云厂商公开打分。
• 家长控制软件 HeyPolo 第三方实测。隐私优先思路加分，定位精度中规中矩。想装的拿这篇当底稿再对比老牌。
• 你在被 AI gaslight 吗。开发者亲历，他记得的事实 AI 一遍遍自信否认，翻记录才确认 AI 在撒谎。土办法一条，重要对话留档。
• 程序员的学法被 AI 重排。先让 AI 拉大纲上手做，卡住再查文档。AI 给地图，文档当裁判。
• AI 出技术面试题的平台开张。题出得准不准、判卷分不分得出真本事，没有公开数据，等候选人现身说法。
• 人生第一个游戏是 AI 做的。零游戏开发经验，网页赛车游戏 DRIVE NEXT，一个人加 AI 的门槛降到脚下。
• 34 秒 AI 动画短片全自动出片。c2anime 的 The Last Light 宣称从剧本到成片由智能体完成。选 34 秒是聪明的，短是目前的能力边界。
• AI 智能体的「工友群」。Coletivo 让多个 agent 经 MCP 互相领活交活。agent 协作是下一个大考区，连像样的评测都还没有。

大家都在看

Arena 头部 Anthropic 包场；AA 头名并列但 GPT-6 便宜一半；开源前三国内模型；200 工具训练数据打分站登 HN 热榜；考 AI 监视器的新基准上线。

明日关注

• Arena 是否更新 9 月 11 日快照，对战数薄的新面孔名次会不会晃下来。
• DeepSeek V4.1 Flash 上线国家超算互联网后的第三方调用实测，接了真活的账单才算数。
• 新 Siri 公测铺开后的第一波真实口碑。

完整版（含全部来源链接）在评测站 daily.physixfrontier.com/review/