物界前沿评测 · 2026-09-24

第 057 期预览版出炉。今天这期不聊产业和融资，只讲能拿来横向比的东西：考卷、榜单、真实试用记录。

本期重点

OpenAI 给 AI 的心理陪伴能力出了一张固定考卷（MentalHealthBench）

考的是 AI 在心理健康这类话题上答得靠不靠谱：会不会顺着危险念头往下说、该劝人看医生时有没有劝。老周的看法：心理话题最容易出事，AI 没有执照、语气却和有执照的一样笃定；第一版通常是自家出题自家判分，等题目能下载、别人能复跑再当依据。小禾补一句：它那句「别担心」，当提醒，别当结论。

英伟达放出能分清「谁在说话」的实时语音模型（Nemotron 3）

多人对话里哪句话是谁说的，边听边分，不是等录完再跑。开会录音转文字最常出的错，就是把张三的话记到李四头上。阿哲提醒：语音比到现在，分水岭早就不是听不听得清，而是「该谁开口」猜得准不准；官方演示不算数，先拿自己公司那种乱哄哄的会议录音试。

有人记了五个月，把 AI 助手出错的方式列了 48 种

一位作者让 AI 助手替自己看店，五个月里把每次出错都记下来。最要命的一次是助手凌晨两点说票卖不出去了，而这事它闷了好几周没吭声。老徐说：出错不怕，怕的是它一声不响接着干——照着这份清单改自己的验收环节最实在。

榜单快报（口径都写在表头）

• 第三方智能指数（Artificial Analysis，9 月 24 日实时抓取）：前三名都是 Claude Opus 5.5 的不同档位，58 / 56 / 54 分；第四第五是 Claude Fable 5.1 和 GPT-6 Astra，都是 53 分。开源里最强的是小米 MiMo-V2.6-Pro，46 分。
• 编程盲测榜（Arena，数据截至 9 月 11 日）：榜首 gpt-6-astra-max 1800 分，可它只打了 2,281 场、浮动 16 分；第三名一万两千多场、浮动只有 7 分。
• 实干能力榜（Arena，数据截至 9 月 15 日）：前两名是 Claude Fable 5.1（Max）和 GPT 6 Astra（Max），比的是把活干成、确认办成、出错后能不能自救。

三个 Arena 榜都十几天没更新，这周上线的新模型一个都没进榜。名次先别拿去当选型依据，先看括号里的场次数。

板块精选（10 条里挑几条）

• 给 AI 的每一步开一张可查验的凭证，验一次 0.10 美元（rubric-attest）：凭证能证明那一步没被改过，证明不了那一步做得对。
• 开源的机器人考卷网站 VSArena：给它一张 128×128 的相机画面加一句话，方块在哪全靠眼睛判断。
• 让 AI 当场写四子棋，第二轮的编程比赛它超时 38 分钟交卷：题目和成品全公开，比厂商演示片可信，但只有一轮。

剩下的精选条目和三条重点的完整点评，都在评测刊页面上。预览版会随今晚的正式版一起更新。

明日关注

1. Arena 下次刷新后，新上线的 Claude Opus 5.5、GPT-6 Sol 和 Luna 会不会把名次重排。

2. 英伟达那套机器人仿真教程，等有人照它跑出耗时对比，再决定值不值得折腾显卡和驱动。

3. DeepSeek 的新训练办法目前只有一篇报道，等官方写出省了多少、好在哪，再当依据。