11月7日（洛杉矶时间），一位B站UP主把九个AI大模型请进同一场"造桥"比赛：同一个提示词、同一份选手包、同一台电脑，要在90分钟里用确定性物理引擎造桥闯七道关，还要互相用"捣蛋车"攻对手的桥。视频11月8日晚上线，一天播放量超过57万。 九个模型用同一套材料造桥，规则、成绩表和选手源码全部开源可复算。 总榜上GPT-6.2 Sol以102.67分断层登顶，倒数四个席位全是国产模型——Kimi K3.1 Pro 32.47分、腾讯混元Hy4 31.45分、豆包Seed Evolving 30.96分、DeepSeek V4.1 Flash 27.93分。哔哩哔哩赛事官网
| 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 |" data-highlight-text=“| 9 | DeepSeek V4.1 Flash | 27.93”>GitHub
但把"排名靠后"直接翻译成"代码能力不行"，误读了这场比赛。选手交的答卷是一份桥梁设计JSON，写代码只是手段，分数取决于桥能不能在物理模拟里过验收、造价压没压到更低——这是一场工程判断题，不是代码语法题。
崩盘发生在第4～6关，不在第1关
关卡分以主办方参考答案为100基准，比参考答案便宜能超过100，而没过、没交、超预算都是0。 第1关（15米小水沟）九个模型全部过关，豆包拿到90.40分、混元85.33分，与头部差距不大；差距从复杂地形开始爆炸——第4关"过船"、第5关"钱不够"（预算砍到10000且没有木杆）、第6关36米"地狱关"，只有前三名胜出，第5关全场仅Sol一关通过，四个国产模型在这三关全部挂零。Kimi在第2关造价18338，参考答案只要10616，桥能走车，但近两倍的造价只能换57.9分。GitHub
攻防关暴露的是另一层分层：全场18局桥被攻破，拿到攻破记录的只有头部模型，四个国产模型的捣蛋车8局对阵颗粒无收。防守考结构够不够扎实，进攻考能不能利用物理规则找出别人桥的力学弱点——这两件事，都不考代码熟练度。
代码盲测里，国产头部其实没落后
国际盲测Arena今年8月的代码榜上，Kimi K3 Max以1544分排全球第6，是排名最高的国产代码模型。知乎
前端开发榜上它排第2，仅落后榜首18分。需要说明，这些盲测成绩来自上一代版本，与本次参赛的K3.1 Pro等并非同代口径，不能逐位对齐，但"写代码的基本功贴住全球第一梯队"在整个国产阵营是成立的。卡点在别处——评论区对Sol断层领先流传最广的解释是，她把常规优化试车直接写成了自动化脚本，让机器替自己迭代，腾出的时间用来思考结构层面的突破。哔哩哔哩
另一条高赞评论把话说得更直白：国产与头部三家差距最大的不是写代码的基本功，而是思考问题的深度。 这个断层不只属于一场比赛：近期热议的工程设计基准RWE-Bench（榜单数据截至10月28日）测了11款模型，5款通过率为零，前三名单次平均通过率也只有37%、29%、25%。 同一基准里，Opus 5.5单次通过率29%，把每题尝试放宽到5次后任务覆盖率能到70%——"脚本能跑通"和"全部规格通过验收"是两种能力，目前连头部模型都还不稳。哔哩哔哩知乎
但主办方的警告，同样该被读进去
开源仓库专门写了"解释限制"：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成绩；不能把本场结果当作模型能力排名。GitHubGitHub
还有个时间因素：6.2 Sol是赛前刚浮出的全新模型，连两个月前还断层领先的Astra都被她反超；连主办方都承认，这期因为干等新一代模型发布而"比较赶工"。 至于是不是"数学或物理知识底子"的差距，目前只有假说，没有证据。哔哩哔哩
对用户真正有信息量的是趋势：这类确定性物理引擎加全量开源可复现的长程智能体比赛，正在成为代码跑分之外的新考卷，它测的是让AI独立把活干到"结果正确"的能力。国产模型的失分集中在复杂结构关的通过率与攻防创造性上——恰好属于策略和工具链层面，也是迭代最容易起效的部分。下一场，等GLM或正式版6.2 Astra入场，会比这一场更能说明问题。
