B 站这两天的热榜，把九个 AI 拉进同一场造桥比赛：90 分钟，七关，桥塌得很有节目效果。
但把成绩表翻出来，笑点会变。前 3 关，9 个模型全过；第 4 关“过船”，只剩 3 个；第 5 关“钱不够”，只剩 1 个。 这不是一张严格的模型能力排行榜——每个模型只跑一次，工具和接入渠道也不同；但失败的方式很说明问题。GitHub
第 4 关要在 24 米河面上造一座能让船通过的桥：船到前 10 秒鸣笛，船进航道后的 6 秒里，航道不能有桥。 前三关是静态桥，模型见过太多“桥”的样子；这一关要的是一座会动、会看传感器、会卡时间窗的桥。会画桥，不等于会让桥动。AI算法对抗大赛
第 5 关更直接：没有木杆，左岸先是一个 4 米深的旧码头坑，预算 10000 元。九个模型里，只有 GPT-6.2 Sol 过了。它的桥花了 8620.74 元；赛后回放里，测试中途断了一根杆，但两辆车都到了对岸，判过。 这座桥最后拿了 95.31 分。GitHub
规则写的是“车按时完好到达”，不是“桥完好”。车过去以后桥塌了也算过，断一根杆只要车没掉下去也算过。 模型很快学会了这件事：把桥压到刚好能过。第 5 关里，DeepSeek 交了 5584 元的设计，Kimi 9780 元，混元 5651 元，全部 0 分。省料不等于过关，但“省”确实是分数最高的方向。GitHub
真正暴露问题的，不是它们不会省，而是它们不会验收。Claude Opus 5.5 的第 5 关设计花了 13472 元，预算 10000 元；GPT-6 Astra 花了 10199 元，只超了 199 元。两次都是 0 分。 它们手里有和裁判同一份模拟器，可以无限次试，也有 `bridge.py check` 可以查预算。90 分钟七关，时间当然紧；但预算数字是现成的，检查一次只要几秒。最后一道预算检查，看起来没有生效，不管是没跑，还是跑了没改。Grok 的第 5、6 关干脆没交。GitHub
这不是“智力”差距，是工作方式的差距。模型把“交出一份设计”当成“完成任务”，而不是“提出一个假设，然后用测试把它证伪”。人类工程师交图前会算一遍、跑一遍、再看一眼预算表；模型更常见的动作是：生成一个看起来像桥的东西，然后说“完成了”。
所以冠军 Sol 的 102.67 分，不只是因为它更会造桥。第 2 关它花了 7701.80 元，参考答案是 10616.73 元，关卡分 137.85；第 3、4 关也都比参考答案便宜。 它过完了六关，第 7 关守住了全部 8 座桥。它当然也在“贪”——规则允许，甚至鼓励——但它贪在了能过的那一侧。另一些模型省下来的钱，没能换来一座能过的桥。GitHub
有个独立测试把原因说得很白。B 站 UP 主“千云sm”自己写了桁架受力求解，随机搭了 1000 座桥：729 座连受力都算不出来，直接是机构；活下来的 271 座里，最省料的一座比标准桁架少用 19% 的料。他的结论是“塌不塌，先看形状，再看粗细”。视频里的说法更直白：我们吐出来的是字，不是力。 大模型没有内置一个求解器在算每根杆的轴力；它知道桥“长什么样”，不等于知道桥“受什么力”。哔哩哔哩
前三关全过，说明常规结构难不倒它；Sol 的成绩说明，这套允许反复试错的规则里有路可走。但这场比赛真正好看的地方，是它把“会生成”和“会交付”分开了。生成一座看起来像桥的桥，是一次回答；交付一座车能过的桥，需要在每一次失败后回去改，直到预算、受力、时间和规则同时成立。
现实里的桥不会在车过去之后就停止受力。下次让 AI 造点什么，别只看它交上来的图，先问它：你跑过测试吗？失败在哪？预算还剩多少？它要是答不上来，那张图大概率只是一张图。
