11月8日晚，B站UP主"喵了个猫了个咪了个猫"发布了"AI算法对抗大赛"第9集：把GPT-6.2 Sol、Claude Opus 5.5、GPT-6 Astra、Gemini 4 Argon、Grok 4.7、Kimi K3.1 Pro、腾讯混元Hy4、豆包Seed Evolving、DeepSeek V4.1 Flash这9个模型拉进同一款造桥游戏，限时90分钟闯7关。 发布两天，视频播放量已超136万，而真正让全场炸开的是第4关"过船"——一道要求桥会动、会在船通过时开合的动态桥关卡，9个模型里6个拿了0分。哔哩哔哩GitHubGitHub
赛后主办方把全部赛况开源在GitHub，翻出9份选手提交的桥设计文件可以发现：这6个失败者并不是没想到"桥要开合"这个创意——恰恰相反，9家里有7家在动态桥这一关写了汽笛传感器触发的开合机构，6个团灭选手里有5个用了液压杆方案，只是开合时间、杆件受力和预算全都算错了。 卡在创意上的比赛通常有各种脑洞，这场比赛卡住的是算术。哔哩哔哩
这一关考的是什么：6秒窗口里的开合时刻表
第4关"过船"是一条24米宽的河，中间6米是航道。官方把规则写得非常具体：船进入航道后的6秒内，航道矩形里不能有任何桥杆件，也不能有车；船到达前10秒会鸣笛，给桥一个预警信号。 评分也不看桥漂不漂亮，只看两件事——先过关（两个场景里所有车辆都按时、完好到达对岸），再比造价：关卡分等于100乘以主办方参考造价除以你的造价，同样的功能，谁便宜谁赢。GitHubGitHub
难就难在两个条件是叠加的。官方场景一里，船12秒进航道，而4辆车分别从1、3、9、14秒错时出发，有的从桥面左侧上、有的从右侧上；桥必须在船到来前打开、在船离开后复位，还不能把正在过桥的车甩下去。场景二把船推迟到20秒，车流又换了一组时间。换句话说，这不是"造一座能开的桥"，而是要在10秒预警、6秒禁空窗口和多辆车错位通行之间，排出一张精确到零点几秒的时刻表，同时保证抬起来的桥体自身不塌。
开源设计文件里的证据：想法都有，数字不对
逐份打开9个模型的提交文件，能清楚看到"创意不缺、算术翻车"的分界线。
过不了关的那6家里，Grok、Kimi、混元、豆包、DeepSeek全部搭了液压开合结构，Gemini则干脆没做机关，用89根木杆搭了一座静力桁桥。更有意思的是钱：6份失败设计的造价在19189到24935之间，全部比过关的3份贵，最高的已经贴着25000的预算上限——桥能想到会动，材料也舍得堆，但抬合时机和杆件受力算不准，两个场景一个都过不去。GitHub
真正过关的3家走了两条路。GPT-6.2 Sol同样用液压开合，但它给抬臂设定的长度比例精确到0.8894，开桥和复位指令都以鸣笛为基准排时刻，落点正好卡在船离开航道之后。这套参数换来11712的造价，比主办方参考答案（12342）还便宜5%，是全场唯一在这一关得分超100的模型。 Claude Opus 5.5同样靠液压开合过关，但造价17585，比参考答案贵了四成。第三位过关者GPT-6 Astra反而没装任何机关，用一座超过航道高度的静态拱桥绕开了"开合"这道题，造价18718，功能成立、价格吃了大亏。GitHub
算术翻车还不止这一关。第5关"钱不够"预算砍到10000且禁用木杆，前五关一路稳定的Opus和Astra直接超预算交了13472和10199；混元在第6关造价飙到34497，超出20000预算72%；Grok在第5、6两关干脆交了白卷。总榜因此定格为：Sol 102.67分全场唯一破百，Opus 79.02、Astra 73.48紧随其后，Gemini 45.31居中，Grok、Kimi、混元、豆包、DeepSeek挤在27.93到35.62分之间，垫底的是DeepSeek。GitHub
为什么这场"游戏"被当真：可复现，也有边界
这期视频能破圈，除了"斗蛐蛐"式的解说和给每个模型安排的人设，更关键的是主办方把比赛做成了可核验的：物理引擎确定性运行，选手本地的模拟器和裁判用的是同一份程序，全部设计文件、回放和评分脚本开源在GitHub，任何人重新编译跑一遍评分程序，都能逐项对上官方成绩单。比赛还留了人类入口——网页模拟器支持自己搭桥、试车通过后上传，按造价排进公开排行榜，官方站点同时提供全部回放。meowllm算法对抗赛
这种"游戏即评测"的思路第二天就被复制：另一位UP主"程序员阿江-Relakkes"的ModelDial团队搞了8个模型、6关的造桥赛，规则改成"盲打"——不给看画面、不给计算器，压轴的双桥合拢关同样只有3个模型过关，期间还出现了同一模型在第五关整整80分钟没算出来交白卷、却在最后一关手算到小数点后六位才过关的场面。 两场独立比赛指向同一件事：当任务变成"在精确约束下做结构化计算"，各家旗舰模型的差距远比发布会参数表上显示的更直观。哔哩哔哩
同时要记住主办方自己写在前面的限制：每个模型只跑一次，单次成绩有偶然性；选手们用的工具、接入渠道和思考档位各不相同，比赛成绩不能当成模型能力排名。 它更像一把公开的尺子——想验证谁真的会算，设计文件、场景记录和评分脚本都摊在那里，欢迎任何人跑一遍。GitHub
