上周开始，AI 造桥赛成了大模型社区的新乐子：B站UP主“喵了个猫”把九个模型拉进造桥游戏两两对打，第 9 期视频上线两天播放量突破 140 万。另一UP主“程序员阿江”则给八个主流模型办了场纯心算的闯关赛，规则写得很绝：全程盲打——不给看画面、不给操作代码的环境、也不给计算器，只发河面宽度和预算这些条件，让模型纯靠脑子去算，然后交设计图纸。哔哩哔哩哔哩哔哩
先把结论放前面：这类比赛的成绩能当参考，但不能当排名表直接抄。同一款 Claude Opus 5.5，三个月内在三个赛场拿到了三个互相矛盾的名次——九月物理承重赛里，它是五款模型中扛得最久的那座桥；十一月游戏版里，它排第二；而十一月盲算版里，它在第四关被UP主点名为“教科书级预算控制”，压轴题却据观众复盘因钢架架得太高、两扇桥在半空相撞吃了 0 分。比赛成绩不是模型的名字，而是“规则 × 模型”的联名；用它选品之前，得先问这份名次是在哪套规则下产生的。
三套“造桥”，考的根本不是同一件事
游戏版是“AI 算法对抗大赛”第 9 期：九个模型用同一套材料造桥，六关闯关外加最后一关“桥对捣蛋车”的攻防。计分只认造价：路面、木杆、钢杆、钢索等材料按米计价，车完好开到对岸过关之后，关卡分按 100 × 参考答案造价 ÷ 你的造价折算，越省钱分越高。收官榜上，GPT-6.2 Sol 以 102.67 分排第一，Claude Opus 5.5 以 79.02 分排第二，同门的 GPT-6 Astra 73.48 分第三；垫底的 DeepSeek V4.1 Flash 只有 27.93 分。总分里攻防单独占一块，按守住的桥数和攻破的桥数记分，Astra 的捣蛋车攻破六座桥、攻防分全场最高，总分却仍排第三。可见这套规则考的是“建设+破坏”的组合拳，而且成绩表把每位选手挂的执行外壳都标了出来——Codex、Claude Code、OpenCode 各用各的，榜面其实是“模型+工具链”的合体分。AI算法对抗大赛官网
盲算版则把工具全部收走：八款模型闯六关，每关两条命——第一次不过，裁判提示哪里超标，第二次过了拿一半分，两次都没过就是 0 分，最后两关权重占到全场近一半，这是主办方的规则说明。结果戏剧性拉满：第五关车队压境，千问（国内组以匿名“Qoduck”身份参赛）成了唯一过关的国产模型，Grok 算 80 分钟交了白卷，却在最后一关手算到小数点后六位完成逆袭。总榜还要叠加 token 消耗，主办方原话是“谁靠能力+效率分夺冠？谁在游戏里精打细算、场外却花了约21美金？”哔哩哔哩
九月的第一轮则发生在物理世界：节目《智能体大战》让五款模型答同一道题——设计一座跨度两英尺的桥，耗材不能超过 500 克，打印时间不得超过 18 小时，设计完成后桥被真实地 3D 打印、组装，再逐一接受承重测试。结果差距很大：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。另一位博主的转述版本里，Claude 那座桥扛到 100 磅砝码用光，人站上去才断。小红书小红书
三个赛场放一起，各卡的是什么能力就清楚了。物理版卡“设计与现实之间的误差”——图纸再漂亮，建模偏差、公差、装配失败照样归零；游戏版卡 agent 的综合能力——能跑代码、能试错迭代、还得会拆对手的桥；盲算版卡纯空间推理与数值规划，一位观众在评论区总结得很准：跟隔壁測試方式還是有很大的不同的，禁用coding環境就不能以試錯來調整，而需要純粹的推理以及空間理解能力。Claude 的三连跳、Grok 在游戏版中游与盲算版白卷逆袭并存，正好说明：一条“AI 造桥赛夺冠”的转述，永远给不出“全场景都强”的答案。哔哩哔哩
口径、变量和评论区，都在给名次打折
即便规则对上了，名次本身还有三道折扣。第一道是口径。盲算版把 token 消耗计入总分，评论区为此吵成两派：有观点认为额外分不应该计token消耗，应该算用时或者造价，再不济算花费也比token消耗好一些，因为在实际体验中对使用影响最大的就是成果，速度，花费，而花费是属于定价问题并不是模型自身问题。另一派则反驳：省 token 本身就是模型的能力，单价贵只是厂商定价的问题。换一把尺子，排名就会变，而用户自己那把尺子——按订阅包月还是按字符计费——根本不在主办者的考虑之内。第二道是变量控制。比赛由个人 UP 主办，每位模型挂什么壳、开不开联网、给多大算力都是主办方设定，游戏版评论区就一直有“UP 对某些模型偏袒”的争论；阿江那边则更微妙，他自述前两周直播就在测造桥、刚发视频才发现撞了另一位 UP 的选题，反被部分观众质疑抄袭，最后靠直播存档自证。第三道是环境污染。赛事把全系列比赛的引擎和 bot 源码开源在 GitHub，人人可复现、可上传自己造的桥，这是社区赛最值钱的部分；但同一件事的另一面是，任何厂商理论上都有条件针对这套公开环境“练题”，这份嫌疑无法证实也无法证伪。连讨论区本身都不能照单全收——游戏版评论区挤满了 AI 水军账号和替自家模型控评的粉丝，甚至有观众喊话希望平台管一管：这评论区一水的AI评论看的我都要吐了。哔哩哔哩哔哩哔哩
遇到这类成绩，正确姿势是当能力画像用
对用户来说，这三场比赛真正可用的增量不是名次，而是它把“选模型”拆成了三个当场可问的问题。先问场景：你的用法更接近哪一轮——要模型直接产出工程图纸、交付物由人验收，看物理版那类成绩；让 agent 在可执行环境里迭代干活，看游戏版“模型+壳”的合体表现；需要模型在纯文本条件下做空间、数学和预算规划，盲算版的成绩才有参考价值。再问口径：比赛计费方式和你实际付费方式是否一致，效率分和总价分指向的往往不是同一款模型。最后问可复现：环境开不开源、回放查不查得到、样本量多大——六关两命制的偶然性明显高于一套几百题的题库，这类名次更像体检抽样，而不是判决书。把它们当“能力画像”的拼图，和官方榜单、你自己的小题库拼在一起做决定，而不是当唯一的排名表。
社区赛本身也在把工具化做实：游戏版把比赛引擎开放成网页模拟器，官方称网页里的模拟器用的就是比赛引擎，结果和正式赛逐帧一致，人人都能搭一座自己的桥去对答案。ModelDial 站点则开放了多维度私有题库、各家订阅套餐的 Token 额度横向对比，以及模型真假指纹验证功能（用中转站的朋友可以免费测一下手里的模型是不是掺假了）。这类社区赛事的终局价值大概就在这里：它证明“让模型造桥”可以成为一面照出稳定性、预算感和试错方式的镜子，但镜子里哪个名次值得当真，取决于你站的位置和比赛规则是不是同一道题。截至本文发稿，游戏版成绩与回放可回溯到主办方官网核验，盲算版的最终总榜和调用账单则仍以UP主发布为准——它们足够支撑画像式判断，还不够支撑“就买它”三个字。AI算法对抗大赛官网哔哩哔哩
