物界前沿物界前沿评测 · 2026-09-22（第 055 期 · 预览版）
别人做评测，我们做评测的雷达。今天这期聊三件跟你直接有关的事，再附三张榜和十条精选。
本期结构
重点更新 3 条（双专家点评）、榜单快报 3 组、板块精选 10 条，外加大家都在看和明日关注。
重点更新
一、「AI 项目八成会失败」这句话，追到底只有一行脚注
会上常听到的这句结论，被当成行业常识用好几年了。独立顾问 Jamie Watters 顺着它一路往回查，发现咨询公司、供应商的演示文稿、行业媒体的报道都在引用它，但能找到的最早出处只有一行脚注，没有样本量，也没说统计的是哪些项目。也就是说，这个「八成」更像被反复转述出来的印象，不是一次公开可查的统计。
跟普通人的关系很实在。它就是那种会决定你方案生死的数字，领导一句「八成都会失败」，你的预算可能就没了。以后听到，先问一句这是谁算的、算的是什么项目，比争辩管用。
编程领域专家·老徐说｜这种数字我见得太多了，传上几年就没人记得出处。它不像跑分那样能当场复跑，别人一引用，你连反驳的入口都找不到。真想知道 AI 项目行不行，数你们自己团队上个季度做完的几个，成功率摆桌面上说话。
小编小禾说｜我踩过的坑是这个。听说「八成失败」，我就答应了先小步试的方案，结果真正卡住的不是 AI 不行，是没人定谁验收。现在我只看两件事，谁验收、做砸了算谁的。
二、给 AI 写的报告配一张「配料表」，对不上原始数据就当场拦下
新开源的免费小工具 factlabel，干的事像食品包装背后的配料表。AI 写完一段结论，它回头把每一句和引用的那张表格、那组数字对一遍，编出来的、对不上的直接标出来拦住。代码放在 GitHub 上，自己部署就能跑，不用交钱。
这东西对着的是个很日常的麻烦。AI 写错数字最烦的地方不是错，是它写得跟真的一样顺，人一懒就直接转发出去。有了这道核对，你至少知道哪几句要先看原始出处。
安全领域专家·老周说｜这个方向正中要害。我的老规矩不变，AI 报出来的数，原始表格在哪，找不到就先别用。现在多了个能自动对一遍的工具，至少省掉一半肉眼核对的功夫。但它对出来的是「和引用数据一致」，数据本身是错的它拦不住，还得靠人。
小编小禾说｜上次我让 AI 整理报销单，金额和日期它都能编，我对着原始单据核到眼花。有这个东西，我至少知道先看哪几句，不用整篇重读。
三、不用等云端降价，有人把「自家电脑跑前沿模型」的全套流程开源了
把你自己那台带显卡的电脑当服务器，模型在你本地跑，资料不出门，也不用按月交钱。这件事的教程一直零散，Tim Dettmers 是这方面公认讲得清楚的作者，这次他把课上用的整套环境、依赖和踩过的坑一起放了出来，包括显卡不够时怎么降级跑、哪一步最容易卡住。
值不值得动手，看你的机器。这条路省的是订阅费和隐私顾虑，付出的是折腾时间。
穿戴领域专家·阿凯说｜我关心的是噪音、发热、电费这三样。跑分高，机器摆客厅里嗡嗡响，照样吃灰。教程里写没写「什么卡跑到什么水平、连着跑一小时稳不稳」，比它能跑多快重要得多。
小编小禾说｜我的老规矩不改，这种教程先收藏，不动手。等我那台旧电脑先跑通一个小任务，再谈要不要加内存。
榜单快报（榜单暂未更新，数据截至 2026-09-21）
先交代一句实话。今天核对过，Arena 四张盲测榜的最新快照还是 2026-09-21 那版，和上期评测用的是同一份，所以榜单暂未更新，数据截至 2026-09-21。今天没有找到 72 小时内发布的新榜可替换，宁可照实标注，也不拿旧数据充新。
文本盲测榜，前十 Anthropic 占七席
| # | 模型 | 厂商 | 分数（人类投票算的，括号内为对战场次） |
|---|---|---|---|
| 1 | Claude Fable 5 (High) | Anthropic | 1506（30,057 场） |
| 2 | Claude Opus 4.6 (High) | Anthropic | 1505（71,993 场） |
| 3 | Claude Opus 4.7 (High) | Anthropic | 1502（60,002 场） |
| 4 | Muse Spark 1.2 (xHigh) | Meta | 1500（仅 3,227 场） |
| 5 | Claude Fable 5.1 (Max) | Anthropic | 1498（5,783 场） |
大白话解读。人类当裁判的盲测里，Claude 母公司几乎包场，前十占了七席，前三全是它家的。Meta 的 Muse 冲到第 4 看着唬人，但它只打够三千多场，分数上下能浮动 11 分，名次先别当真。
编程榜，榜首的场次最薄
| # | 模型 | 厂商 | 分数（括号内为对战场次） |
|---|---|---|---|
| 1 | GPT-6 Astra (Max) | OpenAI | 1800（仅 2,281 场，上下 16 分） |
| 2 | Claude Fable 5.1 (Max) | Anthropic | 1758（3,036 场） |
| 3 | Claude Opus 5 (Max) | Anthropic | 1687（12,087 场） |
| 4 | Qwen3.8 Max (0902) | 阿里 | 1681（2,262 场） |
| 5 | Kimi K3 (Max) | 月之暗面 | 1674（4,547 场） |
大白话解读。榜首分数吓人，样本却不到榜三的五分之一。新名次先看它晃不晃，稳一两轮再下结论。实打实的是那个用一万两千场垫出来的第三名。国产的 Qwen 和 Kimi 都进了前五。
AI 助手实干榜，办没办成事才是分
| # | 模型 | 厂商 | 样本（对战场次） |
|---|---|---|---|
| 1 | Claude Fable 5.1 (Max) | Anthropic | 13,320 |
| 2 | GPT 6 Astra (Max) | OpenAI | 10,372 |
| 3 | Claude Opus 5 (High) | Anthropic | 24,794 |
| 4 | Claude Opus 5 (Max) | Anthropic | 19,934 |
| 5 | Claude Fable 5 (High) | Anthropic | 38,293 |
大白话解读。这张榜没有总分，只有六张单项成绩单。排在第 6 的 Claude Opus 4.8，胡说工具的比率只有 0.12，全场最低，意思是最不瞎编工具，却被「真正办成事」的比例拖出前五。选替你干活的 AI，先看维度再看名次。第 8 名的 Kimi K3 是前十里唯一的国产，样本超过十万场，最厚。
板块精选（10 条，各一句点评）
1. PokerTools Arena，让 AI 同桌打德州扑克的公开考场。几个模型放到同一张无限注德州扑克桌上，发牌、跟注、弃牌每一步都留在网页上，可以回放看它哪步打错，开源免费。扑克是典型的「信息不全还得连着做决定」，比答选择题更接近真人干活；但它只考了扑克这一件事，别当成综合实力榜。
2. Agent Harness Replay，把 AI 写代码的全过程录下来重放。它抓的是一次真实的 AI 编程会话，模型收到的每次请求、每步工具调用都摊开给你看。以前只能看它最后交的代码，现在中间每一步都能翻，出了问题你至少知道该看哪一屏。
3. Callwitness，记录 AI 到底从工具里拿到了什么。调用了哪个工具、工具返回了什么内容，全部留回执。排查「它明明调了接口，答案却是编的」就靠这份记录；缺点是它只管记录，不判断对错。
4. 用 AI 打漏洞悬赏的实战记录。一位安全研究员公开了自己用 TypeSafe AI 找漏洞的完整过程，哪些环节它帮上了忙、哪些还得人工判断，连没成功的尝试都写在里面。敢公开失败轮次的记录比只发成功案例的值钱，但这是单人样本，别当通用结论。
5. FearGate，一个专门记 AI 圈「没兑现的承诺」的网站。厂商和媒体说过的 AI 大话按时间挂出来，到期的没兑现就标一个逾期，首页现在挂着几条已过期的说法。看 AI 宣传先看它过去的履约记录，思路对普通人有用的；但收录和判定是站长一个人定的，只能当线索。
6. 给大模型「减重」的新算路，当成物理题来解。把模型里哪些层留住、哪些层拆掉写成一道物理学里的优化题来求解，模型瘦下来，同样的机器就能跑得动更大的版本。方向有意思，但这是研究博客不是公开考卷，瘦身之后掉了多少本事，没有第三方数据。
7. Jev 的网页试验场，一个只让你做「是 / 否」判断的 AI。输入一个问题，它只给两个按钮，比如「这个请求紧急吗」，不陪你绕圈子。只给结论不闲聊，适合流程里要卡一个判断的活；但答案对不对，仍然得你自己心里过一遍。
8. 国产开源模型第一次在亚马逊云上卖。月之暗面的 Kimi K3 上架亚马逊云，海外开发者可直接调用，也能下载模型自己部署。开源模型能不能自己养活自己，比它跑多少分更影响你以后还能不能免费用到它。
9. deslop-skills，给 AI 产出「去油」的技能包。一组给 AI 编程助手用的小技能，专门盯两类毛病，界面做得千篇一律、文字写得又长又空，装上之后让 AI 先自查再交活。治的是通病，思路可以抄；但它给的是清单，改不改得动还得看模型听不听话。
10. 一份给 AI 助手做合规的实操指南。这篇长文按欧盟 AI 法案的条款，一步步说清一个 AI 助手要上线得准备哪些材料、留哪些记录，也包括什么情况下必须有人工兜底。面向公司而不是个人，但有出海业务的读者可以先知道要交哪些材料。
大家都在看
AMD 市值头一回摸到 1 万亿美元，靠 AI 芯片需求顶着。亚马逊把 Meta 的 Muse 购物助手挡在自家门外，先谈崩了。加州州长签了七项法案，专门给 AI 数据中心的水电账立规矩。黄仁勋再撂一句，说 AI 十年内灭绝人类完全错了。
明日关注
① 云栖大会今天开幕，阿里千问新负责人刘大一恒要交第一份作业。
② 欧盟数据中心能耗披露规则进立法流程，海外建站的成本要重算。
③ 三星给芯片工厂组建的机器人团队，第一批活干什么。
以上为第 055 期预览版，正式版 17 点更新。完整图文版在评测刊页面。
