11月7日，九个模型在90分钟里造了七座桥。两天里，另一场八个模型的造桥赛也出了成绩。把两份名单放在一起，七个共同选手的名次全变了：第一场的第一是GPT-6.2 Sol，总分102.67；第二到第四是Claude Opus 5.5、GPT-6 Astra、Gemini 4 Argon。第二场的前三名变成GPT-6 Astra、Gemini 4 Argon、Claude Opus 5.5，第一名98.58。DeepSeek从第九升到第七，混元从第七掉到第八。两边阵容不完全一样——第一场有GPT-6.2 Sol和豆包，第二场有千问——但就算只算这七个共同模型，顺序也没一个照旧。
如果这是同一场考试，这个结果会很奇怪。可它们本来就不是同一场考试。第一场给每个模型一个本地模拟器，90分钟、七关一次发完，可以无限次试；前六关比“车过河之后，谁造得便宜”，第七关是攻防：每人再交一辆“捣蛋车”，去拆别人的桥。第二场是“盲打”：不给画面、不给操作代码的环境、也不给计算器，只给河宽、预算这些条件，让模型靠脑子算，交设计图。 六关，每关两次机会，第二次才过只拿一半分，最后两关权重更高。一个考的是“带着工具反复试”，一个考的是“看不见结果，只能靠算和改图纸”。同名，不同题。哔哩哔哩
第一场的记分表更能说明问题。前六关的关卡分是“100 × 参考造价 ÷ 你的造价”：和主办方参考答案一样便宜得100，更便宜就超过100；车过去以后桥塌了也算过。 GPT-6.2 Sol在第二关拿了137.85，造价7702，参考答案是10616.73——比参考便宜约27%。这不是“桥造得更好”，而是“刚好够用，且更省”。第一场的102.67不是百分制，单关可以超过100；第二场的98.58是能力90加效率10的百分制。两个100不是一回事。GitHub
Claude Opus 5.5在第五关拿了0，不是桥塌了，是造价13472超过了10000的预算；GPT-6 Astra同样在第五关超预算，10199，差199。一个设计不合法，整关就是0。总分再把七关平均，第七关的攻防占七分之一。GPT-6 Astra的捣蛋车攻破6座桥，是全场最好的；可它的闯关分只有71.14，最后总分第三。这张表里其实混着“造桥”和“拆桥”两种能力，还混着“预算控制”和“结构设计”。
这还没算“谁在操作模型”。第一场的九位选手用的不是同一个工具：Codex 桌面版、Claude Code、Codex CLI、OpenCode、Grok Build、Kimi Code、dsh；思考档也不一样，max、high、xhigh，主办方自己注明“不同工具的同名档位不能直接等同”。第二场换成了另一套接入和另一套规则，也一样有协议、渠道和思考档的差别。你看到的不是九个裸模型，而是九个“模型+工具+渠道+参数”的组合。主办方在GitHub上写得很直白：工具和接入渠道不同，不能把本场结果当作模型能力排名；每个模型只跑一次，单次结果有偶然性。GitHub
样本也确实小。第一场每个模型只跑一次，第七关每对选手只打一局，72局听着多，其实每一对只有一局；第二场只有六关，成绩页自己也写着“只有六关，样本很小”。 第一场第六到第九名的总分是32.47、31.45、30.96、27.93，差距不到5分；一个关卡0分、一局攻防失手，后半段的名次就能翻。这样的表可以记录比赛，但撑不起“谁比谁强”的结论。ModelDial
这个系列其实一直在证明同一件事。每集换游戏，冠军也换了好几拨：圈地是Sonnet 5.5，外交是Fable 5.1，造桥是GPT-6.2 Sol。 每一集都有人赢，但没有人能在所有游戏里都赢。把某一集的冠军当成“模型第一”，就像把一场足球赛的比分当成所有运动的排名。GitHub
那这两场比赛能看什么？能看的东西不少：第一场有确定性的物理引擎、公开的设计文件和可复现的评分，第二场也公开了成绩单和回放，让“模型在某个具体规则下会怎么做”变得可检查。你能看到Sol怎么把造价压到参考以下，看到Astra怎么把捣蛋车做得最狠，看到Claude在第五关因为预算失控拿了0。这些都是真实的、具体的行为记录。它们能说明“在这套规则里，这个组合做成了什么”，不能说明“这个模型在一般意义上有多强”。
所以，看完九个AI造桥，最值得记住的不是102.67这个数字，而是七个共同选手在两场造桥赛里全换了位置。记分表是好东西，但它记的是一场游戏；模型排名是另一件事。把游戏当游戏看，你会看到很多有意思的东西；把游戏当排名看，你只会得到一张下一场就会作废的榜。
