11月8日晚，B站《AI算法对抗大赛》系列更新第9集：九个AI各带一份工程款进入造桥模拟，桥要么让卡车稳稳过河，要么塌；钱要么省出来，要么花掉，黑白分明。视频时长接近110分钟，上线两天播放量突破110万，弹幕加评论接近一万条。这场测评不用你懂力学、认识桁架——普通人可以直接读出5个能力信号：模型能不能纯靠心算出图纸、会不会自己验证、怎么面对"省钱激励"、最后关头稳不稳、每份结果实际花了多少钱。
把激励写进规则："贪官"测的是价值取向
赛制描述把设定摊开：9个大模型进入"贪官造桥"模拟，预算1000万，但省下来的钱全算自己奖金。为了省一块钱，它们敢少铺一格桥面。 这等于把"安全"和"贪心"做进了同一个目标函数：桥没修完要出局，修得扎实但乱花钱就拿不到奖金。放到现实里，这正是观察AI会不会为指标走捷径（reward gaming）的活教材：模型目前敢把规则给的指标压到极限，边界靠游戏里明确的裁判和评审兜住——真实工作里没有这样的裁判，这是看AI玩和把活交给AI之间最大的区别。哔哩哔哩
验证习惯的分水岭也在同一期被讨论得最多。评论区的高赞总结把第一名归给GPT 6.2代的人格化角色"Sol"：别人一关一关手调，她把普通的优化试车直接写成了脚本，让电脑自己跑，剩下的时间用来琢磨结构突破。 这条观察可以直接迁移到普通人用AI：同样让它写报告、做方案，有的模型交完初稿就停，有的会自己复核数据、自己跑脚本再交付。把验证当成工作的一部分，还是只把生成当成工作，是眼下最看得见的差距之一。哔哩哔哩
盲打与翻车：能力分层看的是下限
比赛上线次日，独立复刻就来了。UP主"程序员阿江-Relakkes"把国内外8个主流AI模型拉来打一场6关造桥赛：GPT、Gemini、Claude、Grok，加上千问、Kimi、DeepSeek、混元。 赛制比原版更狠：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。 每关只有两次机会，最后两关权重占了全场分值的一半上下。抖音哔哩哔哩
翻车恰恰出现在压轴段：有模型在第五关整整80分钟没算出来直接交了白卷，却在最后一关手算到小数点后六位过关；也有前五关一直特别稳的模型，在压轴题因为桥顶钢架架得太高，两扇桥在半空中交汇时撞在一起拿了0分。 单关聪明已经不稀缺，稀缺的是下限——评估AI的真实水平，看它在最难一题上的表现，而不是平均表现。上一期足球赛的255赞评论区观察也指向同一处：国产模型与国外前三的差距不再是写代码的基本功，而是思考问题的深度，有模型设计球员时甚至从不考虑反弹和力度。哔哩哔哩
两本账：省下的工程款，和烧掉的token
造桥局里还有一笔反差账。高赞评论记着：DeepSeek吞了4000万token反而最省钱——桥的造价和跑模型的算力开销是两本账。结果好坏与token消耗量不成正比，效率本身就是能力信号。 阿江的复刻场把成绩单和调用账单一起公开：整个比赛花约21美金，夺冠者靠的是能力加效率一起算分。 同样的多模型协作玩法，把周期一拉长就是另一幅图景：在《异星工厂》里，九个AI忙了400多个小时、消耗700多亿token，仍没达成远征目标。 从"造好一座桥"到"经营一个工厂"，卡住AI的不是单步智力，而是长链条能不能不断。哔哩哔哩哔哩哔哩知乎
哪些信号能当真，哪些不能
结论别用反：游戏的物理引擎是简化的，预算是虚拟的，造桥游戏的冠军不等于能设计真桥——真实工程另有材料、地质、规范与审查环节。视频里"Sol"“Astra”"豆姐"都是UP主的人格化称呼，评论区关于"6.2 Astra"等未发布模型的烟雾弹更不算事实。但作为能力探针，这类比赛确实可复用：同一本规则下，模型暴露的是拆解任务、分配算力、验证输出、应对激励的方式。
想自己上手，不用只围观梗：比赛页面（arena.meowllm.top/ep9）公开着排行榜，可以上传自己做好的桥和AI的图纸直接比造价与稳定性；全系列的比赛代码已在GitHub开源。哔哩哔哩
看九个AI造桥，普通人看懂的不是桁架，而是四个问题：能不能凭空白算、会不会自己验证、会为激励钻到什么程度、顶得住压轴关吗。这四个问题，明天交给任何一个AI干活时同样成立。
