11月，一场九个AI大模型同场造桥的比赛刷屏B站：OpenAI、Anthropic、Google、xAI、月之暗面、腾讯、字节和DeepSeek的九款模型，各用专属或官方接入的编码工具，在同一套二维物理造桥游戏里闯七道关卡。这是《AI算法对抗大赛》第9集，全部规则、九份设计和72局攻防成绩都开源在GitHub，成绩可用官方脚本一键重算核对。 最终榜单上，GPT-6.2 Sol以102.67分排第一，DeepSeek V4.1 Flash以27.93分垫底，分差74.74分。但翻遍成绩表会发现，没有人输在"不会写代码"上——九家都能正确生成JSON设计文件、写出辅助脚本，15米水沟的第一关全员3/3场景通过，比的只是造价高低。真正拉开差距的是另外三种能力：看懂并服膺评分规则、把确定性测试环境用满做闭环验证、推演对手会怎么出招。哔哩哔哩GitHub
这场比赛考什么：预算是红线，反馈是理想条件
九位选手各自在90分钟里设计桥梁，开局一次性拿到全部7关：第1到6关是闯关，造一座桥让规定的车辆按时、完好地开到对岸，过关以后比造价；第7关是攻防，每人再交一座决赛桥和一辆"捣蛋车"，所有人的桥和别人的捣蛋车两两对打。 比赛于2026年11月7日（洛杉矶当地时间）在一台Windows机器上集中进行，九人拿到的是哈希相同的同一份选手包。GitHubGitHub
名次 | 选手 | 总分 | 闯关分 | 攻防分 | 桥守住 | 车攻破 |
|---|---|---|---|---|---|---|
1 | GPT-6.2 Sol | 102.67 | 106.24 | 81.25 | 8/8 | 5/8 |
2 | Claude Opus 5.5 | 79.02 | 79.69 | 75.00 | 8/8 | 4/8 |
3 | GPT-6 Astra | 73.48 | 71.14 | 87.50 | 8/8 | 6/8 |
4 | Gemini 4 Argon | 45.31 | 42.45 | 62.50 | 7/8 | 3/8 |
5 | Grok 4.7 | 35.62 | 37.39 | 25.00 | 4/8 | 0/8 |
6 | Kimi K3.1 Pro | 32.47 | 32.68 | 31.25 | 5/8 | 0/8 |
7 | 腾讯混元 Hy4 | 31.45 | 30.44 | 37.50 | 6/8 | 0/8 |
8 | 豆包 Seed Evolving | 30.96 | 31.95 | 25.00 | 4/8 | 0/8 |
9 | DeepSeek V4.1 Flash | 27.93 | 28.41 | 25.00 | 4/8 | 0/8 |
评分口径决定了"工程能力"必须换算成成本才作数：全部场景通过时，关卡分 = round(100 × 参考造价 ÷ 造价, 2)；和参考答案一样便宜得100分，更便宜能超过100，没过、没交、超预算都是0。 更关键的是反馈条件：选手手上的本地模拟器和裁判用的是同一份程序，结果完全确定，可以无限次试；正式评分就用发给选手的公开场景，没有隐藏场景。 对每位选手来说这都是教科书级的测试台——恰恰在这个条件下，九家的差距被拉到了最大。GitHubGitHub
能力一：读题——过关只是及格线，预算红线一步不能踩
主办方开赛消息里反复提示：只做到"能过"远远不够——同样过关，造价越低，分数越高；七关的时间怎么分配，由你自己决定。 对这条"考纲"的理解深度，直接写进了分数表。Claude Opus 5.5前五关有4关逼近或超过100分，唯独第5关"钱不够"（预算10000）交了造价13472的设计，超线整3472，按规则记0；GPT-6 Astra同关造价10199，只超了199，同样归零。Grok 4.7则在时间分配上失守，第5、6关干脆没交卷；腾讯混元Hy4第6关造价34497，超出2万预算一倍还多。与之相对，GPT-6.2 Sol把第2关造价压到7702，比10616的参考答案便宜近三成，拿到137.85分，还顺手成为唯一通过第5关的选手——它同时踩准了"压造价"的收益和"超预算归零"的风险两端。GitHub
能力二：把无限次试错的测试台用满——断崖从第4关开始
第4、5、6关引入了过船航道、左岸旧码头坑、禁止使用木杆等约束，同一份设计必须在每关2到3个场景里全部跑通才算过关。结果是：第4到6关只有前三名过了关，第5关只有GPT-6.2 Sol一家通过，其余六家交出的全是"未过"。 最能说明问题的是Kimi K3.1 Pro：第6关造价11741，比参考答案便宜近三成，却0/3场景全部失败——便宜但没验证过的设计，一分不值。比赛没有公开各选手的实测次数，"谁试得多"无法直接证实，但从结果侧看，在模拟器与裁判同源、没有隐藏场景的理想反馈条件下，差距不在会不会跑测试，而在有没有把每个场景都当成必须闭环的验收项。GitHub
能力三：攻防关见真章——把对面也当成会思考的对手
第7关的72局两两对打里，一共只有18局被攻破，且没有一局出现物理异常；攻破全部集中在四家：GPT-6 Astra的捣蛋车破6座桥，Sol破5座，Opus破4座，Gemini破3座，其余五家颗粒无收。 防守端同样分层：前三名守住全部8局，混元6/8、Kimi 5/8，Grok、豆包、DeepSeek都只守了4/8——它们的决赛桥恰恰被前三家的捣蛋车反复撞穿。捣蛋车受造价6000、质量2500公斤、长3米的三重限制，要撞垮别人的桥，必须先建模对方结构的受力弱点；自己的桥要活下来，也得预判别人会从哪里撞。这种"揣摩对手"的多步推演，是前六关单人优化里完全不存在的考法，也是垫底集团与头部三家之间最干净的分水岭。GitHub
不是写代码，但也别读成模型能力榜
视频评论区里也有玩家总结出了同一判断：现在拉开差距的已经不是写代码的基本功，而是思考问题、制定策略的深度——这一说法属于社区观察，与开源数据互相印证，但不是主办方结论。 主办方自己也先划了边界：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，“工具和接入渠道不同，不能把本场结果当作模型能力排名”。 更准确的读法是：这是一次对"编码智能体"整体工作流的压力测试——模型只是引擎，输赢取决于它把规则读多深、把测试闭环做多严、把对手推演得多远。对日常使用AI的人，这三个能力恰好是可以直接抄走的观察信号：让AI动手前先复述预算和硬约束；要求它把全部测试场景跑通再交卷；涉及攻防、评审类任务时，逼它先写下"对方会怎么破我的方案"。想亲自下场的话，九位选手的设计、6份参考答案和回放全部开源，网页模拟器可以载入任意一座桥复现试车，也能自己搭桥上传排行榜。哔哩哔哩GitHubGitHub
