物界前沿评测 · 2026-09-23（第 056 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 AI 表现直接有关的事，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、帮你在网上比价的 AI，还是分不清「查到的」和「编出来的」

彭博社 9 月 22 日的一篇通讯说，替人挑货比价的 AI 购物助手，仍然很难分清网页上哪些是事实、哪些是编出来的。这类助手的工作是读商品页、看评论、比价格，再把结论交给你。它读到的内容里，有商家自己填的参数，也有来路不明的说法，两者混在一起。

跟你有什么关系。以后拿 AI 挑东西，让它只做筛选这一步，参数自己回官网对一遍，付款和下单自己点。多花五分钟，少踩一次坑。

产品领域专家·阿哲说｜购物这件事的胜负点一直不在谁挑得快，在你信不信它。上周上线的 Meta Muse 也把购物推荐当卖点，讨论的焦点同样落在信不信上。我的建议是先让它干筛选，付款和下单自己点，参数回官网对一遍。

小编小禾说｜上周我让 AI 帮我挑充电宝，它报了一个「一万毫安时只有 80 克」的机型，这个数字我不信。现在的用法是让它列三个候选项，参数我自己去官网一条条核。

二、一位开发者把 Devin 的新版本用了一轮，写下了卡住的地方

9 月 22 日，一位开发者在自己的博客上贴出 Devin 的上手记录。他把这一套都试了一遍：桌面应用、命令行工具、新出的写代码模型 SWE-2（Devin 自家的模型），以及把几个模型合起来用的模式。Devin 是能自己读代码、自己改文件的 AI 编程工具。这篇是个人试用记录，没有公开跑分。

跟你有什么关系。你手上要是有一个跑了很久的老项目，先别急着把它交给这类工具。找个小模块试一周，看它报错之后能不能自己改回来。

编程领域专家·老徐说｜单人一次上手的记录，值钱的地方是它写了哪一步卡住。我看这类文章先找两样东西：仓库有多大、报错之后它能不能自己改回来。这两样官方演示里从来不提。要接自己的项目，先拿丢了不心疼的小模块滚一周。

小编小禾说｜我看不懂 SWE-2 是什么，只关心它能不能把我那个跑了三年的小项目改明白。要是得先把项目怎么启动教给它，那还不如我自己动手。先记账，等第二个人贴出跑通自己项目的记录再考虑。

三、星海争霸的排位赛里混进了 AI，有人教你从操作里认出它

一位开发者写了篇文章，讲他在星海争霸的线上排位赛里怎么认出对面是 AI。星海争霸是 1998 年的老对战游戏，排位赛指按胜率分级的线上对局。他给的办法是从操作节奏、开局习惯这些细节里找规律，给每个玩家做一份「指纹」。文章是作者自己的观察，没有第三方核对。

跟你有什么关系。这套「给行为做指纹」的思路，正在被搬进作业查重和招聘筛选。以后看到「像 AI 写的」结论，先问一句有没有第二种证据。

安全领域专家·老周说｜认出机器和人，本质上是身份问题。文章里没写误判率是多少，这是最关键的一项。同一套「像机器就下判断」的做法，搬到作业查重、招聘筛选上，判错一次的成本全落在人身上。

小编小禾说｜游戏里认错对手，最多骂一句重开。这套判断搬到考试和论文上我就不放心了：检测工具给的分只是线索，不是判决书。

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 的最新快照还是 2026-09-21 那版，跟上期用的是同一份，所以榜单暂未更新，数据截至 2026-09-21。今天也没拿到能替换的新榜，宁可照实标注，不拿旧数据充新。上期上过的视觉盲测榜这次撤下，换进上期没用过的文本盲测榜。

文本盲测榜，前五名只差 8 分

#	模型	厂商	分数（人类投票算出来的）
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（3,227 场）
5	claude-fable-5.1-max	Anthropic	1498（5,783 场）

大白话解读。前五名只差 8 分，头名和第五名基本算打平。第四名是 Meta 的 Muse Spark，只打了 3,227 场，榜上标的浮动是 11 分，比它跟第三名的差距还大，名次先别当真。前五名里四席是 Anthropic 家的 Claude。另外，这张榜上次更新是 9 月 13 日，比快照日期还早八天。

编程盲测榜，榜首的场次最薄

#	模型	厂商	分数（括号里是对战场次）
1	gpt-6-astra-max	OpenAI	1800（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。第一名 1800 分，跟第二名拉开 42 分，看着很稳。它的场次只有 2,281 场，浮动 16 分；第三名 12,087 场，浮动只有 7 分。场次薄的分数经不起多看。还有一件事：这张榜上次更新是 9 月 11 日，十三天没动过，前五名里有四个的场次不到五千。

智能体实干榜，多了一项「工具说错话」

#	模型	厂商	样本（对战场次）	工具说错话的比例
1	Claude Fable 5.1 (Max)	Anthropic	13,320	0.37
2	GPT 6 Astra (Max)	OpenAI	10,372	0.37
3	Claude Opus 5 (High)	Anthropic	24,794	0.33
4	Claude Opus 5 (Max)	Anthropic	19,934	0.35
5	Claude Fable 5 (High)	Anthropic	38,293	0.37

大白话解读。这张榜考的是能自己调工具、连着干好几步的 AI，行内叫智能体。它不排总分，六项分开算：办成事、少说错话、听不听指令、出错后能不能自己爬起来。「工具说错话」指它把没发生的工具调用说成真发生了。前五名这一项都在 0.33 到 0.37 之间，差别很小，拉开名次的是办成事那一项：第一名 19.83，第二名 17.7。场次最厚的不是头名，第四名打了一万九千多场。

板块精选（10 条，各一句点评）

1. 给 AI 助手搭一个不会闯祸的练习场。Firedrill 是个测试框架，你先造几个假工具、假数据，再让 AI 助手在上面干活，然后检查它每一步调了什么、有没有按你定的规矩走。假工具就是不会真发邮件、不会真转账的替身。难点在后面：你得先写清楚「什么算干对了」，这一步没人能替你做。

2. DeepMind 写了篇长文，讲怎么动态地考模型。谷歌 DeepMind 的研究院发了一篇文章，主张用动态的办法测试前沿模型的能力：不靠一张固定卷子，而是随着模型变强同步换题。文章讲的是方法，没有给出具体成绩。「卷子固定、模型越来越大」是眼下所有榜的共同毛病，动态出题这个方向站得住，但出题方自己也该被同样标准检查。

3. 一所大学的教务长，被校报查出多篇署名文章「像 AI 写的」。达特茅斯学院的校报做了一次调查，把该校教务长 2026 年发的评论文章和学术文章过了一遍 AI 检测工具，中位数落在「像 AI 写的」区间。检测工具给的是概率，校方和当事人还没有正式回应。又是同一类事故：分数高不等于证据，该追问的是谁有权拿这个分数去质疑一个人的署名。

4. OPPO 出了个 499 元的「AI 心力球」，一个新品类。OPPO 在 9 月 22 日的发布会上带来一款穿戴新品，体验价 499 元，官方主打把 AI 能力放进一个随身小球里。发布会上没有给续航、每天会用几次这类数据。新品类先别抢首发，穿戴设备能不能留下来，看的是充电顺不顺手、戴一天会不会忘。

5. 一个专攻古希腊残片的 AI，想把缺掉的字补出来。Wired 报道，研究者做了一个叫 Apollo 的模型，专门对付图书馆里破损严重的古希腊纸莎草残片，目标是把缺的字补上、把出处和年代对上。这类残片在几十万片量级，很多已经破到人读不下去。补字最怕补得通顺却补错，先看有没有公开的对照答案。

6. 一个开源的聊天界面，在线模型和本地模型都能接。IntelliChat 是开源的聊天前端，用 Next.js 写，目标是把好几家模型的接口接进同一个界面。开源的意思是代码可以自己部署、自己改。换模型不用换界面，对同时用好几家的人是刚需；自己部署要自己管密钥、管日志，图省事的人不划算。

7. 开源社区开始给自己立规矩：AI 写的代码怎么进仓库。一篇文章梳理了开源项目最近的动作：从最早一律禁止，到给 AI 助手写专门的说明文件（比如 AGENTS.md），再到担心自动审查机器人本身被塞指令，文里举了内核自测、QEMU 规则草案几个例子。规矩从「禁止」变成「写清楚怎么用」，这一步走对了；短板在审查这一环，那谁来审机器人。

8. 给 AI 剪辑助手准备的「爆款镜头」参考库。RetentionVolt 收了 50 多万条剪接点和开头钩子，来自一千多位短视频作者，按周更新，并整理成 AI 助手能直接调用的接口，这个接口方式叫 MCP。素材库的价值在能检索，风险在趋同：大家都照同一批爆款剪，画面会越来越像。当参考用，别当模板抄。

9. Rabbit 放出一个不用买它家硬件的 AI 助手。The Verge 报道，Rabbit 上线一个能单独运行的 AI 助手，不买它那台 R1 设备也能用。Rabbit 之前那台硬件卖得一般，这次把软件单独拿出来。判断标准还是两条：能不能替你办成事、出错后你找不找得到它干了什么。

10. 「会跟你顶嘴」的 AI 创业团队工具。LiveCrew 给创始人配四个 AI 角色，各管一块活，会互相挑错并附上依据。产品页的演示里，有人改完文案，另一个角色会回一句「这个决定我不同意」，然后列理由。不同来路的 AI 互相审，比同一个 AI 自查难糊弄；它到底挑不挑得出真错，得有人拿自己的项目跑一遍。

大家都在看

马斯克的 Grok Bot 上线一个月用户破 40 万。微软 Xbox 又一轮裁员，多家工作室并入动视。有人在 Hacker News 上发现 Couchsurfing 整站被 AI 重写，配图也是官方生成的。AstroForge 把下一次小行星任务的指挥权交给 AI。

明日关注

① 刚发布的 Claude Opus 5.5 和 GPT-6 Sol、Luna 还没进 Arena 快照（快照停在 2026-09-21），等下次刷新看名次稳不稳。

② 云栖大会开到 9 月 24 日，AgentCore 和 Qwen4 的第三方跑分还没出，官方口径先记账。

③ Meta 的 Muse 上线一周用户破 50 万，等第三方拿出实际任务完成率，再谈它算不算购物入口。

---

以上为第 056 期预览版，完整图文版在评测刊页面。