第2关，30米深谷，一辆超载面包车，预算26000。GPT-6.2 Sol交了一座造价7701.80的桥，拿了137.85分；DeepSeek V4.1 Flash交了一座造价20128.23的桥，拿52.75分。同一道题，同一个物理引擎，同样的90分钟。单这一关，差了85.10分。
这甚至不是一场写代码的比赛。B站UP主“喵了个猫了个咪了个猫”的《AI算法对抗大赛》第9集，把9个模型放进一个二维造桥沙盒：90分钟，7关，前6关让指定车辆按时过河，过关后比造价；第7关每人造一座决赛桥和一辆“捣蛋车”，两两攻防。 选手交的是JSON设计文件，不是bot程序。桥由节点和杆件组成，材料从路面、木杆、钢杆到钢索、弹簧、液压杆；车只能走路面，杆件受力超限就断。没有隐藏场景，本地模拟器和裁判用的是同一份程序，结果确定，可以无限次试。GitHub
开赛消息写得很直白：“只做到‘能过’远远不够——同样过关，造价越低，分数越高。”关卡分=100×参考造价÷你的造价；比参考便宜就超过100。 这不是一张及格卷，是一场报价战。参考造价只是主办方事先做的答案，不是理论最优。Sol在第二关拿到137.85，意思是它比参考答案还便宜27.45%。GitHub
B站视频的标题叫《当我把九个ai请来玩贪官造桥》。 “贪官”是UP主的玩笑，规则却是那个方向：省下来的造价直接变成分数。长杆受压会屈曲，钢索只能受拉，车只能走路面——这些约束让“堆料”和“省料”的差别，最后都落在报价上。哔哩哔哩
同一道题，两座桥
DeepSeek的L2是一座标准钢桁架：路面铺在下弦，上面是上弦杆和斜腹杆，22个节点，造价20128.23；Sol的L2是一排路面杆加一条悬索体系，用钢索把力传回两岸锚点，造价7701.80。桁架不是错的，它很稳；但在“过关后比造价”的规则里，稳过头就是贵。规则写得很清楚：桥在最后一辆车过去之后塌了也没关系。 真正不能垮的是报价。Sol的桥未必更强，但它更符合这条规则。GitHub
分数是在第4到第6关断的
第4关“过船”，24米河、中间航道，船过时航道里不能有桥；第5关“钱不够”，24米河加左岸旧码头坑，没有木杆，预算只有10000；第6关“地狱关”，36米河、两块礁石、航道、卡车双向。这三关，只有Sol、Opus 5.5、Astra拿到过分数；第5关只有Sol一个人过。后六名在这三关全部是0分。总榜第一102.67，最后27.93，差74.74分——标题里的75分，四舍五入来的。这一差距一半以上是在这三关拉开的。
还有一类失败跟物理无关。Opus在第5关交了13472的桥，预算10000；Astra交了10199，超了199。两座桥可能都站得住，但设计不合法，直接0分。Grok更直接：第5、6关没交。90分钟里，读规则、算预算、决定先做哪一关，本来就是比赛的一部分。
第7关的攻防也没有改变主线：前三名守住了全部8辆捣蛋车，攻击榜也还是他们三个——Astra攻破6座，Sol 5座，Opus 4座；第5到第9名的捣蛋车，没有一辆攻破对手的桥。会造便宜桥的人，也更会找别人桥上的薄弱处。
别把这张榜当成模型排名
主办方在比赛说明里写得很清楚：每个模型只跑一次，单次结果有偶然性。 工具、接入渠道、思考档都不同，同名档位不能直接等同。Sol用的是Codex桌面版，Opus用的是Claude Code，Astra用的是Codex CLI；这些工具本身就会影响模型能跑多快、能试多少次。75分差是这场比赛的事实，不是一张放之四海的模型强弱表。GitHub
真正能带走的是另一件事：当任务从“写一段代码”变成“在约束下交付一个结果”，拉开差距的就不再是语法、框架或手速，而是工程判断。知道哪根杆可以删，知道哪一笔预算是硬线，知道什么时候该停下来把已经过的关再压一遍造价——这些事，代码只能帮你跑模拟，不能替你做决定。会写代码的AI已经很多了；会算账、会验收、会在第90分钟还愿意回去改一版报价的，还不多。
