物界前沿评测 · 2026-09-20

第 053 期预览版出炉。今天的刊有点特别，榜单快照停在 9 月 19 日没刷新，我们干脆把五张榜叠在一起对了遍账，顺手把「谁最强」这个老问题拆了。

重点更新三条

一、研究机构把「AI 在物理世界出事」立成了独立科目。Micro1 在 9 月 18 日发报告说，模型开始驱动浏览器、调用接口、操作设备之后，出错的代价从「看错一句话」变成「做错一件事」，退错款、下错单、发错设备指令都算。方向我们认，出处要多想一层，报告是一家卖 AI 工程师智能体的公司自己出的，风险清单的尺子在谁手里，比标题吓人程度重要。给普通人的动作很具体，凡是能给钱、能改东西、能开关设备的 AI，权限能开多小开多小，重要操作留人工确认那一步。

二、有人把「管住 AI 员工」写成了三张开源表格。GitHub 上刚放出的三个治理模板（MIT 协议，免费），一张决策表划清「什么 AI 自己做主、什么必须停下来问人」，一个完整示例，外加一份微软 Agent 365 落地模板。治的是当下真实窘境，AI 已经上岗了，权限清单还写在产品经理脑子里。提醒一句，一人仓库、没有对抗测试，表格写得顺，得看它拦不拦得住真越界的模型。普通人也能照着问自己用的工具三个问题。它现在能替我干哪些事？哪几件要我先点头？能不能一键收回？

三、AI 编程账单第一次能查「白跑的重试」。Show HN 上的新工具 AgentMeasure 直接读本机已有的 Codex/Claude Code 日志，列出哪一步在原地反复摔跤，再按订阅费折算结算单，数据不出本机。用包月编程智能体的人第一次能拿账本验收它到底干没干成活。刚出生一天的样机，先拿自己项目跑一周，别急着当报销依据。

榜单快报（数据截至 2026-09-19，AA 榜实时于 09-20）

• 综合智力榜，Anthropic 的 Claude Fable 5.1 和 OpenAI 的 GPT-6 Astra 并列 53 分领跑，同分不同价，GPT-6 干同样的活花钱更少。
• 文本盲测榜，前十 Anthropic 占七席，第 1 到第 4 名只差 6 分，约等于打平；第 4 名 Meta 只有 3,227 场对战，不到榜一零头。
• 编程盲测榜，头名 GPT-6 Astra 1800 分但样本全榜最薄（2,281 场、正负晃 16 分）；中国阵营占住三席以上，阿里 Qwen3.8 一家坐三把椅子（第 4、6、9），Kimi K3 第 5 贴住它们。
• 智能体实干榜，考的是真活。Kimi K3 背后 10.8 万场对局、全榜样本最厚；工具幻觉率（凭空捏造接口就调的比例）前十普遍 0.37，Claude Opus 4.8 独做到 0.12，但综合名次被「办成事率」拖到第 6。
• 速度榜易主，Celeris-1 每秒约 1,567 个字、比第二名快三倍多；开源权重头名仍是智谱 GLM-5.3（45 分）。
• 对总账，智力、速度、省钱、开源、干活，今天由五个不同的模型各拿一个第一。「哪个最强」这个问法过时了，「哪个最配你这件活」才问得出答案。

板块精选一句话版

• 视觉盲测前三只差 9 分，认图读表这事头部已打平，挑便宜的用。
• Meta Muse Spark 三个版本同时铺上多张榜，押注重，样本普遍薄。
• 榜单新闻里最该看的数字不是名次，是括号里那个对战场次。
• 西语系厂商上架「AI 边界防护」自荐页，无客户案例无可验证数据，按宣传页处理。

明日关注

① Arena 快照停在 9 月 19 日（页面自报更新更早），盯官方刷新，重点看编程榜冠军场次涨没涨过 5,000

② Meta Muse Spark 系列的涨场速度，攒够万场样本名次才算站稳

③ Micro1 物理风险报告有没有第三方复测或点名反驳，扛住同行拆台之前只算提案

完整榜单表格和专家点评在当天刊页里，欢迎来聊你用 AI 干活白跑过多少冤枉钱。