物界前沿评测 · 2026-09-15

第 048 期 · 预览版。别人做评测，我们做评测的雷达——今天这期盯三件事：端侧 AI 有了第一张公开成绩单、「第三方安全评测」成了行业共识话题、扫地机开始进长测时代。

重点更新

1. 想在自己旧电脑上跑 AI？先看看这份「裸机 AI」成绩单

有人刚在 GitHub 搭了个「裸机 AI」榜：专门收录不靠大框架、用 C/C++/Rust 手写的超轻量 AI 引擎，宣传口径零依赖、亚毫秒级响应——让 AI 不靠显卡机房、直接在你手上设备里跑起来的那批「小钢炮」，第一次被拉到同一张考卷下排名，还附了速度和支持模型的基准索引。

老徐（编程）：出题计分都是仓库主自己定的，宣传味很重；但端侧 AI 确实缺一张公开成绩单。选型别冲，先挑榜上最漂亮的两个拿自己的活跑一周。

小禾：小白只关心装起来麻烦吗、要不要买新硬件。先收藏不动手，等有人拿普通笔记本实测笨不笨。

2. AI 安不安全，凭什么让厂家自己说了算？

彭博昨天的节目专门讨论独立测试能不能让 AI 更安全。背景是这几天吵翻天的「放缓前沿」之争：Anthropic CEO 呼吁踩刹车，OpenAI、马斯克跟进，吵到最后大家不约而同指向同一个方向——与其信厂商自报成绩单，不如交给外部机构测。

老周（安全）：独立测试方向对，但要盯三件事——考题公不公开、评分可不可复现、测的是不是你手上那个版本。测特供版的话，公信力和自报分数没区别。

小禾：以前运动员自己发奖牌，现在有人提议请外面的裁判。等哪天「安全体检报告」连着两期名次稳、原始数据能下载，再当挑工具的依据。

3. 扫地机也进「考卷时代」：Wired 长测石头 Qrevo 2，直呼平价机皇易主？

Wired 发了石头新款 Qrevo 2 的长测，标题直接问「新的平价扫地机之王？」。参数谁都会写，长测才见真章：避障、边角、基站洗拖布臭不臭，都是编辑在家实打实用出来的。

阿凯（硬件）：吃灰第一原因是安装和充电顺不顺手，不是吸力参数。以后机皇之争得拿公开成绩说话——国内牵头的家用机器人 11 项测试标准刚立起来，单一媒体好评只算半场。

小禾：「平价机皇」先记账，等三个月以上的长用贴，那才是买家秀原版。

榜单快报

综合智能指数（Artificial Analysis 今晨现拉）：Claude Fable 5.1 两个模式与 GPT-6 Astra 三家并列 53 分榜首，Claude Opus 5 以 51 分紧随。开源阵营换旗——智谱 GLM-5.3（45 分）首次压过月之暗面 Kimi K3（44 分）。速度最快 Celeris-1，每秒吐 1418 个字。

中文权威榜（SuperCLUE，9 月 11 日更新）：DeepSeek 上周刚发的 V4.1-Flash 首进榜就冲到国产第二（71.81 分）；GLM-5.3 从 63.27 大涨近 8 分跳到第 3。LMArena 全球公司榜上，智谱被 GLM-5.3 带着从第 6 升到第 5，挤下月之暗面。

会干活的 AI（数据截至 9 月 8-10 日）：「AI 替你操作电脑」的 OSWorld 考试，中国团队实在 Agent 以 90.2% 登顶（第二名 Claude Fable 5 为 86.0%）；医生考卷 HealthBench 上 Claude Fable 5 得 0.660 分、人类医生基线 0.437——考卷偏简单，别以为 AI 能看病；BenchAlign 综合榜前三还是 Claude Fable 5.1、GPT-6 Astra、Claude Opus 5。

说明：Arena 人类盲测榜快照仍是 9 月 14 日批次、与上期相同，榜单暂未更新，本期不作新变动引用。

板块精选

1. 把 AI 账单拆成「加载、思考、调度、出结果」四段算钱——分不清有效思考和 AI 整本翻书，就省不了钱。

2. arXiv 论文：AI 帮忙整理上万人的访谈文本，社会科学先卷起来，还讨论了怎么防 AI 归纳时夹带私货。

3. 不会写代码也能做软件：把需求和验收标准写成固定流程，AI 按流程产出、人只在节点检查，比聊天式碰运气靠谱。

4. 安全研究员演示一封邮件劫持客服 AI：把指令藏进邮件正文，AI 就分不清「客户来信」和「系统命令」。边界不清的老毛病，不是偶发。

5. AI 助手记性太好也是病：长期记忆会把过期结论当真理继续用，语气还笃定。给 AI 的记忆设保质期。

6. 安全公司预警：AI 量产「老板催款邮件」，语法生硬这个老破绽消失。催转账一律电话回拨本人核实。

7. 研究者公开 1325 个有 AI 辅助痕迹的 GitHub 代码库清单——AI 写的代码存活率研究第一次有了大样本底库。

8. Show HN 新玩具 Otis：装好就调本地模型干活，不接云不注册，「数据不出机器」是全部卖点。

9. Threshyr 1.2.1：断网可用的时间记录器，端侧 AI 把你一天归成「时间块」。这类常开后台的工具，先拿备用机试水两周。

10. ProGantt：把甘特图接上 AI（MCP 接口），AI 能看排期改任务。但 AI 改配置不留报错，合并前必看改动清单。

大家都在看

智谱公司榜升第 5 挤下月之暗面｜Arena 文本榜前八 Anthropic 占六席（快照未更新）｜DeepSeek V4.1-Flash 首进 SuperCLUE 即国产第二｜开源分差咬到 3 分内，刷新随时换榜首

明日关注

① SuperCLUE、LMArena 下一批更新：GLM-5.3 第 3 名坐不坐得稳，新名次先记账不入场

② DeepSeek V4.1-Flash 的第三方复跑：官方说「推倒重来更快更准」，等独立考场重新考一遍再当真

③ Arena 快照若更新，盯 claude-fable-5.1-max（仅 5783 场对战、样本最薄）票数攒不攒得到置信

④ 开源榜三国杀：GLM-5.3、Kimi K3、GLM-5.3-Flash 分差 3 分内，任何刷新都可能换榜首

——完整榜单数据和双专家点评见今日评测刊页面。