物界前沿评测 · 2026-09-12

第 045 期，预览版。今天先说一条大新闻，再交榜单作业。Arena 那套盲测榜的快照还停在 9 月 10 日，跟上期一样，硬照搬没意思，所以榜单快报换了切法，主菜换成一份刚更新的「AI 用电脑考试」。

一、AI 操作真实电脑，中国团队考了第一

OSWorld，硅谷高校团队出的考卷，369 道题全是普通人电脑上的活，开软件、写文档、发邮件、跨程序传文件。9 月 10 日更新的官方总榜，实在 Agent 成功率 90.2% 排第一，第二是 Anthropic 的 claude-fable-5，86.0%。

安全领域专家·老周说，AI 敢碰你的电脑，名次只是第一层。能替你点鼠标敲键盘的 AI，就能替你删文件、登账号。挑这类工具先问两件事，每一步有没有记录、权限能不能一键收回，答不上来的名次再高也先放一放。

小编小禾说，90% 我第一反应是不敢信，上个月还看 AI 连网页表单都填不利索。好歹这是公开考卷、判分程序也公开，比厂商自家演示可信一档。等有人拿自家电脑真装一遍复现再说，别急着让它碰工作机。

二、把 AI 的「随机旋钮」拧到最低，它照样每次答不一样

技术人员管那个旋钮叫 temperature，调到 0 意思是照最稳的答。有工程师实测，即便如此，多步骤的活跑几遍结果照样对不上。写周报无所谓，报税、发通知、批量改数据，差一个字就出事。讨论里给的土办法是，关键步骤自动跑两遍对账，不一致就拦下来人工看。

编程领域专家·老徐说，这是 9 月 1 日 n8n 模板被智能体静默清空那件事的另一半，你以为拧到最稳它就不会变，它照样变。多跑一遍做比对这招我认，代价是多花一倍时间和钱。丢了不心疼的活先给它全自动，碰钱碰数据的，比对这步省不得。

小编小禾说，我终于知道自己为啥总觉得 AI 看心情了，原来真不怪我。以后重要的东西让它跑两遍，答案对不上就当它没说过。别拿「它刚才答对过」当它每次都对的证据。

三、五个分身对五个杂牌军，14 个晚上测出两套打法

一个独立实验，一边让五个一模一样的 AI 组队干活，一边让五个不同路子的 AI 组队。克隆队靠统一口径取胜，杂牌队靠互相挑错取胜。

产品领域专家·阿哲说，不同来路的 AI 互相挑错，比同一个 AI 自我复查难糊弄，因为它们的毛病不重样。但设计者自己出题自己记分，样本就十四个晚上，先记进方法清单，别急着为它换工作流。

小编小禾说，我早就这么土法用着了，同一问题问两家 AI 对答案，对不上就都别信。这实验给我这笨办法补了个名堂。

榜单快报（Arena 快照未更新，数据截至 2026-09-10，换切面看）

• OSWorld 官方总榜，统计截至 9 月 10 日，实在 Agent 90.2%、claude-fable-5 86.0%、Pointer Agent 83.6%。判分程序公开，但考场由主办方统一，第三方复跑之前名次先记账。
• Arena 智能体盲测前十切面，Anthropic 占六席、OpenAI 两席，剩下两席是国产的，Kimi K3 (Max) 第 8、腾讯 Hy4 preview 第 10。Kimi K3 的确认办成事率 15.4%，前十里仅次于头名。
• 文本盲测前五里四席 Claude，第 3 名只攒了 2906 场对战，比第 2 名的 72099 场薄二十多倍。代码榜头名 GPT-6 Astra 只有 1810 场，积分上下浮动 19 分，够跟第 4 名阿里 qwen3.8-max 互换座位，当参考别当结论。

板块精选十条速览

1. 新工具 Socratix 专治「教程地狱」：不推视频，搭知识图谱逼你做题验证，AI 从替你学变成考你学。

2. Meta 承认 AI 助手追问隐私过了界，承诺改建议提问的话术。

3. allslop.news 开张，一个只收 AI 生成新闻的站，看多了自然认得出 AI 味。

4. AI 生成的儿童绘本合集翻车实录，肢体错位、文字梦话，给「先过人眼再上架」添了标本。

5. Project NOPE 要做人和 AI 关系的观测台，先问它拿你哪些聊天记录。

6. 有人吐槽 AI 水帖工具把发垃圾内容的成本打到零，越便宜的水得越欢。

7. Viaduct 开源，先给 AI 编程助手画系统地形图再让它动手，治 AI 看不见全局瞎改的毛病。

8. EthersFlow 让多个 AI 投票决定一个操作要不要执行，投票的模型若同源，等于一个人举四次手。

9. Toolcraft 开源，给 AI 搭设计类软件的毛坯房，别让它从零起项目。

10. Pizza Bot，AI 通宵干完的活像收邮件一样签收，验收单点开前别当成品。

明天盯三件事

一是 OSWorld 榜首登顶后有没有第三方拿自己电脑复跑 90.2%；二是 Arena 出新快照的话，看 Hy4 preview 和 Kimi K3 的位次坐没坐稳；三是有没有第二家法院采纳「出示提问记录」的举证标准。