不能当代码能力排名的依据。这不是读者的保守解读——比赛方开源文档里白纸黑字写着，不能把本场结果当作模型能力排名。 但成绩表还是在过去二十几个小时里被截成了模型圈最新的"天梯图"。B站UP主"喵了个猫了个咪了个猫"11月8日晚发布的这期《AI算法对抗大赛》第9集，发布不到24小时播放量已超57万、评论2700多条（截至11月9日22时平台数据）。GitHub哔哩哔哩
评论区已经在把成绩折算成能力排名：有人把整个系列九期比赛的冠军逐一数了一遍，整理成"Opus 5.5梦碎九连"，还特意标注它在区王争霸"甚至没打过DeepSeek"。 更早的十月，知乎上已经有回答把该系列的成绩直接读成能力信号：七期比赛做下来，Astra大人基本上包揽第一名。哔哩哔哩知乎
九只AI，90分钟，交的不是代码而是一座桥
这场比赛的工程纪律相当苛刻：九个模型在同一台Windows电脑上拿到哈希一致的同一份选手包，限时90分钟，开局一次性领全部7关；可以写任何辅助脚本，但不可以修改模拟器与关卡文件，不可以联网、派子代理、用长时间等待磨时间。GitHub
前6关是闯关：造一座二维杆件桥，让指定车辆按时、完好开到对岸，过了关才开始比造价。关卡分等于参考造价除以你的造价乘以100，和参考答案一样便宜得100分，更便宜可以超过100，没过、没交、超预算都是0。 第7关换成攻防：每人再交一座决赛桥和一辆"捣蛋车"，所有人的桥和别人的车两两对打72局，守住和攻破各算一半分。全程交卷物都是桥梁设计的JSON文件，不是软件；物理引擎确定，本地模拟器和正式裁判是同一份程序，桥行不行一跑便知。GitHub
成绩单：前三名断层，第5关只剩一家过关
最终总分榜上，GPT-6.2 Sol以102.67夺冠，六关闯关分平均106.24，决赛桥8局全部守住、自己的捣蛋车还攻破了5局。 Claude Opus 5.5总分79.02、GPT-6 Astra 73.48分列第二第三，第四名Gemini 4 Argon骤降到45.31，第五名往后的Grok 4.7、Kimi K3.1 Pro、腾讯混元Hy4、豆包Seed Evolving、DeepSeek V4.1 Flash挤在27到36分的窄带里。GitHub
断层出现在第4关之后：第4、5、6关只有前三名过了关，预算1万、不许用木杆、岸边还带坑的第5关，全场只有Sol一家过关。GitHub
单项里最耐人寻味的是Astra：总分只排第三，攻防分却是全场最高的87.50，72局里它的捣蛋车撞塌了6座别人的桥；但官方口径同时提醒，攻防这关每对只打一局，桥与桥、车与车之间没有直接比较，这个单项的偶然性不小。GitHubGitHub
从"桥造得好"到"代码写得好"，中间隔着四道坎
第一道坎是样本。官方比赛条件文档写得很坦白：每个模型只跑一次，单次结果有偶然性，工具、接入渠道和思考档都会影响结果。 同系列第3集的附加实验还给过量级：同一个模型只换外层工具，实力值能差出120分以上。 九个选手各用各的官方编码工具——Codex桌面版、Claude Code、OpenCode、Kimi Code、dsh等——思考档的"max""xhigh"在不同工具之间也不等价。这张榜测的是"模型＋各自工具链"的联合成绩，把名次直接归因给模型本身，中间还少了一层证据。GitHubGitHub
第二道坎是计分悬崖。预算超一点就是零分：Claude Opus 5.5在第5关的造价13472元，只超了预算三千多，该关直接记0，被一关拖垮七关平均。 反过来，分数基准也不是绝对能力线：关卡分以主办方参考答案为100，它不是理论最优，超过100只说明比参考答案便宜。GitHubGitHub
第三道坎：这7关考的根本不是代码，尽管它确实摸到了一部分工程能力的边。评的是桥的造价和结构，交付的是设计参数。不过评论区流传最广的一条夺冠复盘值得看：有观众归纳Sol领先的原因，是它把基础的优化试车直接写成脚本让电脑自动跑，省下的时间用来思考结构层面的突破。 自动化工作流、时间分配、在确定性反馈里迭代——这些是编码agent的真实能力；但代码可读性、复杂需求实现、可维护性，这场一题没考。哔哩哔哩
第四道坎是跨期拼榜。官方README里白纸黑字写明，不同集的分数不能直接比较。 圈地、炸弹人、外交、足球到造桥，每期赛制、工具、评分口径都不同，被疯转的"Opus九连梦碎"恰恰是把九期拼成了一张总榜——用的正是官方明确反对的统计口径。GitHub
这张榜真正稀缺的价值：全程可审计
不能当排名用，不等于没有价值，它的可查程度在同类"AI对决"内容里相当罕见：题目、规则、每位选手的最终设计、逐关造价和72局对打记录全部开源，比赛引擎与裁判同程序，官方文档写明全部成绩可以用脚本重算核对。 观众还能下场：官方网页开着排行榜，上传自己做的桥就能和这些AI按同一把尺比造价。 拿它当"模型＋工具链在固定物理规则下的工程交付样本"来读，信息密度很高；读成"代码能力天梯"，就是无据外推。GitHub哔哩哔哩
另外提醒一句，最近传播的"AI造桥"不止这一场。9月底另一档节目让Claude Opus 5.5、Kimi K3、Meta Muse Spark 1.3、GPT-6 Astra和Grok 4.7同一道题设计桥梁，真实3D打印组装后逐一承重：Claude的桥预计承受了约59公斤，Meta 26.5磅，Astra 17.5磅，Grok的桥组装后连自行站立都做不到，Kimi的设计则根本无法完成组装。 那场测的是从设计到可制造性的端到端，离代码更远，结论却一模一样。小红书
至于下一场，UP主在置顶评论里说得直白：这周本来想等OpenAI新模型发布，结果没等到，才显得这期偏向娱乐、比较赶工。 与其拿这集造桥比赛的总分给模型排座次，不如等各家按同样的工具和规则再打一轮——那时的成绩对"能力"的参考意义，才会比现在这张被到处转发的榜单大一些。哔哩哔哩
