11 月 8 日晚，B 站上线了一场特殊的比赛：九个 AI 在 90 分钟里造桥。上线不到两天，播放量超过 120 万，评论区很快分成两派：一派喊 Sol 封神，一派说 DeepSeek 垫底。榜单一出，好像谁强谁弱已经有了答案。但把规则和成绩表翻完，你会发现这张榜最先测出来的，不是谁更聪明，而是谁在交卷前还记得再跑一遍检查。
比赛发生在 11 月 7 日（洛杉矶时间）。九个选手在同一台 Windows 电脑上，各自拿到同一份选手包：二维杆件桥梁、六种材料、七个关卡，90 分钟，七关一次性发下来。不能联网，不能派子代理，但本地模拟器和裁判用的是同一份程序，可以无限次试。目标不是造一座结实的桥，而是在全部场景通过的前提下，把造价压到最低。规则里有一句很能说明问题的话：车过去以后桥塌了也算过。 这是一场“最低成本通过”的封闭环境优化赛，不是工程安全竞赛。GitHub
计分方式把这一点放大了。每关的分数 = 100 × 参考答案造价 ÷ 你的造价；没过、没交、超预算，都是 0。 总分是七关的平均，第 7 关是攻防，占七分之一。参考答案不是理论最优，所以分数可以超过 100：Sol 在第 2 关造出 7701.80 的桥，比参考答案的 10616.73 便宜 27%，这一关拿了 137.85 分。榜上的 102.67 不是“正确率”，而是一个以参考答案为 100 的造价指数。GitHub
成绩表最有意思的地方，不是谁第一，而是分界线。第 4～6 关，只有 Sol、Opus、Astra 三位选手有过关记录；第 5 关只有 Sol 一个。 其余六位在这三关全部是 0。于是总榜被切成两段：前三名 102.67、79.02、73.48，第四名开始是 45.31、35.62、32.47、31.45、30.96、27.93。后六名的排序，主要来自前三关的造价和攻防分，而不是最难的几关。评论区把“DeepSeek 垫底”当成结论，但它和豆包、混元、Kimi 只差三到五分，硬关全是 0；这更像同一类失败者按小数位排队。GitHub
再看每个人是怎么丢分的，会发现 0 和 0 不是一回事。Opus 的第 5 关，官方记的失败原因不是“未过”，而是“超预算”：造价 13472，超过 10000 的预算；Astra 更可惜，10199，只超了 199。 Grok 第 5、6 关干脆没交；Gemini 第 4、5、6 关分别 0/2、0/2、0/3，场景一个都没过。有人是预算没算清，有人是时间没排好，有人是结构没做出来。榜单把这三类失败都记成 0，然后按总分排出第 4 到第 9 名。GitHub
这种排名有多不稳，算一笔账就清楚。一关拿 100 分，摊到总分里是 14.29 分。DeepSeek 现在 27.93，只要把任意一关从 0 做到 100，就到 42.22，从第 9 跳到第 5。Astra 的第 5 关只超预算 199；如果它能用 10000 以内的造价过掉这一关，按最低 82.16 分算，总分至少 85.22，会超过 Opus 的 79.02，升到第二。一个 199 的预算差，可能就是一个名次。
但这些都是比赛内部的事。要把这张榜当成“模型能力排名”，还有一道过不去的坎：参赛的不是九个裸模型，而是九个“模型 + 工具”的组合。Sol 用 Codex 桌面版，Opus 用 Claude Code，Astra 用 Codex CLI，Gemini、混元、豆包走 OpenCode，Kimi 用 Kimi Code，Grok 用 Grok Build，DeepSeek 用 dsh。主办方在 README 里写得很直白：每位选手都用所在工具的最高思考档，不同工具的同名档位不能直接等同；工具和接入渠道不同，不能把本场结果当作模型能力排名。 这句话不是客套，是这张榜的解释边界。再加上样本量：每个模型只跑一次。 九个选手的版本也不统一，有 GPT-6.2 Sol，也有 GPT-6 Astra，有 DeepSeek V4.1 Flash，也有豆包 Seed Evolving。它们不是同一款模型的九个副本。GitHubGitHub
紧接着，另一位 UP 主也办了一场“AI 造桥大赛”，八个模型，六道题，规则完全不同：不给看画面、不给操作代码、不给计算器，只发河宽、预算这些条件，让模型纯靠脑子算。 每关还有两次机会。有模型在第 5 关算了 80 分钟交白卷，却又在最后一关手算到小数点后六位过关。同样叫“造桥”，题目和评分规则换一套，考出来的东西就换一套。你很难说哪一张榜才是“真实能力”，因为它们测的根本不是同一件事。哔哩哔哩
所以，回到那个问题：看 AI 造桥比赛，能判断哪个大模型更能干吗？能判断这场比赛的赢家，不能判断“哪个大模型更能干”。如果“能干”指的是在这套规则、这个工具链、这 90 分钟里，把一座桥从规则读到交卷、把预算压到最低、把该跑的检查跑完，那么这张榜是有信息量的：Sol 的表现明显最好，前三名和后六名之间有一条真实的分界线；但这条分界线分不清是模型的能力，还是工具的工程化程度。如果“能干”指的是通用能力、写代码、做研究、处理开放世界的问题，这张榜回答不了；它连“模型”和“工具”都还没分开。
九个 AI 造桥，更值得记住的不是名次，而是那些 0 是怎么来的：有人超预算 199，有人没交卷，有人连场景都没过。下次再看到“某模型垫底”，先别急着判它死刑；先看它是桥没造好，还是忘了看预算表。
