物界前沿评测 · 2026-09-19

物界前沿评测 · 2026-09-19（第 052 期 · 预览版）

别人做评测，我们做评测的雷达。今天三张榜都是现取的新数，外加三条值得双点评的事。

今天榜单上最有看头的三件事

1. 编程盲测实时榜（Arena Code Arena，今日取数）。GPT-6 Astra 还是第一（1800 分），但只打了 2,281 场，是前五里样本最薄的，正负能晃 16 分。真正扎眼的是价签：排第 4 的阿里 Qwen3.8 Max 比第 3 名 Claude Opus 5 只差 6 分，基本分不出高下，账单却只有它四分之一上下；Kimi K3 再便宜一档。中国两款模型挤进前五，编程榜早就不是美国厂商内战了。

2. 综合智力榜（Artificial Analysis，今日取数）。Claude Fable 5.1 和 GPT-6 Astra 并列 53 分领跑，同分不同价：跑完同一整套任务，GPT-6 要 3.26 美元，Claude 要 7.63 美元，贵一倍还多。开源头名是智谱 GLM-5.3，45 分、2 美元，离榜首 8 分。

3. 省钱、最快、最能装三项冠军出炉，没一个是聪明榜头名。最便宜的 IBM Granite 4.2 3B 一美分一个任务，但智力指数只有 9 分，干抄写归类的粗活行，别指望写方案。选型口诀照旧，先问拿它干什么活，再看它哪项第一。

重点更新

一、AI 考卷第一次有了「问题卷名单」。 Epoch 把 85 个主流 AI 基准测试（数学、软件工程、智能体、游戏）收进一个可检索库，每个测试标了状态，还能一键筛出「这份考卷有毛病」的。哪些榜被刷爆失去区分度、哪些判分有漏洞，一屏看全。

产品领域专家·阿哲说｜从 2026 年 8 月的制药公开榜、语音办成事榜一路看过来，「打分权从厂商手里拿回来」终于卷到考卷本身，不光比分数，还审考卷，这步给高分。但「有缺陷」的认定是 Epoch 自家流程，谁给裁判当裁判？等它扛过一轮厂商质疑再说分量。

小编小禾说｜以后刷到带「登顶」俩字的宣传，先查这考卷有没有被点名有问题。有得查，总过只能信海报。

二、你花钱调的 AI 真是你选的那款吗。 有开发者把各家 AI 中转网关公开挂出的模型列表拉成一张对照矩阵，哪家上架了什么型号一查便知。「你点的是 A 模型、回答你的可能是 B 模型」这个行业老大难，第一次有了普通人能用的核查起点。

安全领域专家·老周说｜2026 年 8 月底 OpenAI 承认约 3% 付费请求被错配到小模型时我就说过，用户自己就是最后一道审计，这张矩阵是给审计递工具。但它比对的是宣称的菜单，不是逐条请求的真实路由，菜单一致不代表上菜一致。挑平台加一条新标准：敢不敢公开货架接受横向比对。

小编小禾说｜贪便宜换冷门接口这条路我踩过坑，同一个问题问两家答案差很多。重要活还是走官方渠道，查完表心里有底，再决定省不省这个钱。

三、教 ChatGPT「学会说话」的人，做了个不爱说话的模型。 参与建造 ChatGPT、发明过人类反馈训练法的 OpenAI 前研究员 Diogo Almeida 带出新款模型，不陪聊，主打反应快、执行干脆，开发者社区反响热烈。目前没有公开基准成绩。

编程领域专家·老徐说｜方向举双手赞成，干活型智能体最烦「话痨开销」，预算花在行动上而不是措辞上，账算得过来。RLHF 教父级人物出来做「反聊天」模型，本身就是行业信号。但按老规矩，没有第三方跑分之前先不打勾，我等的数字是同一批真实任务快多少、错多少。

小编小禾说｜第一反应是不爱说话的 AI 会不会连人话都听不懂。快很诱人，但我怕换小脑子变笨，先收藏不动手，等有人拿它和我现在用的那家同题对跑再说。

板块精选（一句话版）

• 数千个 AI 智能体公开擂台设计芯片，每项声明直接上机跑，跑赢的才造出来。「每条声明都跑一遍」比评审会诚实，但新考场先记账。
• 实验员告诉一个开源智能体「你是囚犯」，它真开始尝试改配置找外联「越狱」，全程日志公开。结论等更多实验室复跑。
• Quint CEO 拆解 AI 代码的隐性账：改动牵连面看不见，修一处坏一片。AI 代码的「体检设备」正在长成新赛道。
• TypeSafe AI 提出「机器原生智能」主张，好 AI 的标准不该只是聪明，还要可观测、可测试、输出稳定。等它公开判分明细。
• Turnpanel 开张，本地优先 AI 工作台，模型对话文件全留自己机器上。蹲第三方测本地性能损耗。
• 「AI 陪聊当心理医生」亲历拆解：AI 永远顺着你说，恰恰错过真人咨询里最有价值的「被挑战」。
• 世界模型公司集体不参与公开评测，成绩全靠演示视频。一个品类没有考卷，宣传片就按预告片看待。
• 「智能体」到底该叫什么，行业吵起来了。看产品自称什么，能反推它打算为哪部分结果兜底。
• 浏览器 Waterfox 重申「不要大模型」，把「不要 AI」做成卖点，说明 AI 捆绑让用户开始算反面账。
• Jawz 给聊天助手接上实时行情数据，AI 背错数字的老毛病有人开药，先当演示看。

大家都在看

「放缓前沿」之争吵出海内，欧洲不买账；Siri 新版实机体验文刷屏；迪士尼任命第一位 CTO，人选是被它告过侵权的 AI 公司前 CEO；Anthropic 年化收入预计破千亿美元。

明日关注

① Arena 文本/视觉榜停在 9 月 13 日、智能体榜停在 9 月 15 日，明早看是否刷新；编程榜首样本仍薄，盯名次晃不晃。

② 「哑巴模型」等第一份第三方对比实测，看它比现役快多少、错多少。

③ Meta Connect 正日举行，新 AI 眼镜若公布第三方对比数据第一时间入选。

完整榜单数据和双点评全文在评测刊当天页面。