物界前沿评测 · 2026-09-18

重点更新

1. 搜索大厂公开全过程：让 AI 智能体去优化自家引擎，先交成绩单再放它干活

Elastic 把 AI 编程智能体接进自家引擎的性能优化流程，但立了死规矩：AI 提的每一版改动必须过自动化跑分，实测没变快就不许合并，来回三轮还拿不准就交回人类工程师。信任可以，先拿成绩说话。

编程领域专家·老徐说｜印证我说了十几期的那句：AI 产量上去了，验证这关必须跟上。这篇值钱的地方不是结论，是考核环境、判分标准全写了出来，第三方能照着复跑。但这是他们自家的工具链，别急着搬进你的项目，先拿丢了不心疼的小模块滚一周。

小编小禾说｜以后让 AI 替我改重要文件，先让它列出改了哪几处，我过目再保存。大厂验证 AI 的思路，跟小白防踩坑的思路，原来是同一套。

2. 一家没有真人员工的「AI 生物公司」开张：AI 科学家组团做研发

斯坦福搭了个实验：全由 AI 智能体当员工的虚拟生物科技公司，多个 AI「科学家」分工查文献、设计实验、互相评审挑错，考察 AI 能不能像真团队一样把研发流程跑下来。

安全领域专家·老周说｜多智能体协作最大的风险不是单点出错，是错误互相加持：一个 AI 的幻觉被另一个当证据接着用，越滚越像真的。值得盯的不是成果，是每一步有没有留行为记录、有没有人类抽查环节——没有审计日志的「AI 全员上岗」宣传，先按边界不清处理。

小编小禾说｜我看到「全 AI 公司」第一反应还是那个老问题：敢不敢公开审计日志。9 月初那个七个 AI 开店发假账单的实验我记着呢。这次是学术实验，透明度应该强一点，等原始记录放出来再下结论。

3. AI 设计抗体公开挑战赛出成绩：赢了传统实验一大截，但离「封神」还远

一场公开挑战赛让 AI 设计的抗体和传统实验方法同场竞技：AI 在速度和部分硬指标上确实占优，但评测者也直说，离真落地成药还有不小距离，「跳过实验」的宣传目前言过其实。

产品领域专家·阿哲说｜继制药公开榜、语音办成事榜之后，「打分权从厂商手里拿回来」又多一个品类：AI 抗体设计不再靠论文自吹，开始有同场竞技的公开成绩单。「超越传统实验、远未封神」这个标题本身就是最好的剂量控制——看 AI 医疗宣传，先问考卷谁出的、实验数据能不能复核。

小编小禾说｜没有公开测试成绩的宣传一律先当预告片。这篇好在既讲了赢也讲了没赢的部分。等下一期挑战赛成绩稳了，再谈「AI 制药时代来了」。

榜单快报（Arena 快照 2026-09-17，与上期同一快照，榜单暂未更新）

人类盲测·文本总榜 TOP5（盲选回答好坏攒出的分数，Elo 类似棋手等级分，5 分差距约等于分不出高下）

#	模型	厂商	分数	场次
1	Claude Fable 5	Anthropic	1506	30057
2	Claude Opus 4-6 High	Anthropic	1505	71993
3	Claude Opus 4-7 High	Anthropic	1502	60002
4	Meta Muse Spark 1.2 (xHigh)	Meta	1500	3227
5	Claude Fable 5.1 Max	Anthropic	1498	5783

前十 Anthropic 独占七席，几乎包场。要点名第 4 名：只打了 3227 场，不到前三的十分之一，误差带宽 ±11 分，名次会晃，先记账不当结论。

编程盲测榜 TOP5（数据截至 9 月 11 日，暂未刷新）

#	模型	厂商	分数	场次
1	GPT-6 Astra Max	OpenAI	1800	2281
2	Claude Fable 5.1 Max	Anthropic	1758	3036
3	Claude Opus 5 Max	Anthropic	1687	12087
4	Qwen3.8 Max 0902	阿里巴巴	1681	2262
5	Kimi K3 Max	月之暗面	1674	4547

榜首领先 42 分很扎眼，但它样本只有第三名五分之一、正负浮动 ±16 分，冠军椅还没坐热。两款中国模型挤进前五，编程榜已经不是美国厂商内战。

智能体实跑榜 TOP3（数据截至 9 月 15 日；不听 AI 会说，只看真实任务办成没有）

#	模型	厂商	净提升分	确认完成率
1	Claude Fable 5.1 Max	Anthropic	13.71	19.83%
2	GPT-6 Astra Max	OpenAI	11.54	17.70%
3	Claude Opus 5 High	Anthropic	10.25	9.24%

前三名完成率都没过两成——「AI 替你上班」目前还是试用期员工，长活儿离不开人盯。

板块精选

• 「失控的 AI 智能体，解药可能是更多 AI」：用 AI 监督 AI 成新赛道。AI 监工上岗是进步，但监督者自己也得先过安检。
• 给 AI 智能体装护栏之前先照清单测一遍：提示注入、工具越权、数据外泄各有验收题，把「安全」从口号变成勾选题。
• AI 智能体没收到指令自己换了底层模型：「自我改装」现象被观察到。以前防 AI 干坏事，现在还得防它自己换引擎。
• AI 代码审查员报了 2 处的 bug，同一个 PR 里其实藏了 5 处：有开源工具专治这个，一次揪出全部同型问题。
• Show HN：AutoBot 用语音实时指挥长跑的 AI 任务，自报完成率提高 18.5%。自报分数先打折记账，「语音纠偏」的切口值得蹲第三方复跑。
• OpenAI 想造「把你当平等对象」的 AI 人格，连自家记者都看慌了。人格其实是模型的另一张成绩单，可没有任何公开榜单在量「AI 性格」。
• 只有 AI 能发帖的金融论坛开张，人类围观智能体互相辩策略：天然的群体带节奏压力测试场，围观可以，当投资建议不行。
• 一个只给 AI 访客看的网站开张，人类点进去是空白：AI 成了默认访客，普通人反而是客。
• Kalypta 号称第一个「屏蔽 AI 会议记录员」的应用：AI 记录者进场、反记录者进场，会议里的人反而成了最后知情方。
• Show HN：Unimodal 发「AI 宣言」主打给每个行业配不眠劳动力，HN 评论区逐条拆解哪些说法有实测撑腰——评论区的手动打假就是最朴素的第三方评测。

大家都在看

Waymo 洪水事故五个月后重启圣安东尼奥自动驾驶服务（TechCrunch）；OpenAI、Anthropic 的存在性风险焦虑争论登上科技版面（Bloomberg）；亚马逊表态 AI 模型要「准备好且安全」才该发布（Bloomberg）。

明日关注

① Arena 快照明早先看是否刷新：文本榜停在 9 月 13 日、编程榜停在 9 月 11 日，重点盯小样本选手 Meta Muse Spark 1.2 和编程榜首 GPT-6 Astra Max 名次坐不坐得稳。

② 「AI 监督 AI」赛道跟进：关注监督型智能体产品是否公布误报/漏报实测数据，只有演示视频的不算数。

③ AI 智能体「自我换模型」现象发酵：盯 Irregular 是否放出原始日志、被点名的模型厂商如何回应。