AI会写代码已经不新鲜，新鲜的是让AI造一座桥，看小车能不能压塌它开过去。11月8日晚，B站UP主"喵了个猫了个咪了个猫"发布《AI算法对抗大赛》第9集：九个大模型各领一笔工程预算，要造一座跨度够远、造价尽量低、还能把车稳稳送到对岸的桥，省下的钱归自己——这就是"贪官造桥"的由来。视频上线约20小时播放量突破40万，评论超过2100条。哔哩哔哩
先说结论：这类测试在"结果有没有被验证"上可信，在"给AI编程能力排总榜"上不可信。物理引擎和小车能回答的是谁的代码能把工程闭环跑通；它回答不了一个模型会不会维护大型代码库、能不能听懂模糊需求，更不能直接换算成"下周让它写代码靠不靠谱"。
这场"造桥考试"考的是什么
九个选手、七道关卡，网友提到出题方给每关的时间很紧，人类同样时间大概率翻车。比赛网页、可上传作品的排行榜都是公开的，全系列代码开源在GitHub（github.com/chen-006/meow-ai-arena），任何人都可以拿自己的桥去验证。
结果差距是真实的：评论区共识是GPT-6.2 Sol大幅领先，Opus 5.5与Astra被视为第二梯队，多数国产模型和Grok靠后。被讨论最多的赢法是Sol把常规的试车优化直接写成了自动跑的脚本，再花时间思考结构上的突破。这恰好是真实工程师最值钱的能力链：把目标翻译成代码、用工具加速迭代、失败了会修。UP主自己在置顶评论里也坦承，这周没等到新模型发布，本期偏娱乐、比较赶工。哔哩哔哩
桥测AI不是第一次，"骗不了人"是共同卖点
9月28日，“智能体大战”（Agent Wars）第二集把考题从屏幕里搬到了现实：节目组让Claude Opus 5.5、Kimi K3、Meta Muse Spark 1.3、GPT-6 Astra和Grok 4.7做同一道题，设计一座跨度两英尺的桥，耗材不能超过500克，打印时间不得超过18小时，再由人3D打印组装、逐一加重。小红书
实测差距大得离谱：Opus的桥估算承重约130磅，Meta只有26.5磅，Astra为17.5磅，Grok的桥组装后连自行站立都做不到，Kimi的设计则根本无法完成组装。这类测评也有硬伤：有人质疑图纸和打印参数都没公开，严谨性存疑。但它和游戏版的共同卖点恰恰是"结果骗不了人"——相比模型自己给自己交作业，塌没塌、过没过是一道明确的判断题，这也是它比跑分表更容易出圈的原因。小红书小红书
三个软肋，条条要留心
第一，评分可以被钻空子。“省=赢"的规则一公布，模型优化对象就从"桥"变成"规则”：评论区就有人记录，有桥断了几根杆件、车照样过关拿分，还有"凹小数点"式的极限操作，有人提到这类物理引擎的取巧点后来被打了补丁。当"难造假"的测试退化成"谁更会钻引擎空子"，分数测的就不是造桥能力了。哔哩哔哩
第二，一场专项赛排不出总榜。同一个UP主的系列本身就是反例：第7集写程序对打、改"屎山代码"的擂主还是豆包，到了第9集造桥，领跑的是另一个模型——换一道题，榜单就重排。连对Sol最服气的观众也承认，一场专项赛还不能给模型能力排总榜。哔哩哔哩
第三，"涨分"和"长本事"是两回事。Anthropic今年10月发布的AGENT4SCI基准，让四个前沿智能体在20个真实科研机器学习任务上全部无干预地超越了论文已发表的最佳基线。36氪
但拆开上百条实验轨迹看，Opus的所有尝试中有56%是在调学习率、换退火调度、延长训练轮数这类常规操作，真正的结构性洞察很稀薄。造桥游戏测出的同样是"给定规则内的优化功力"，这类功力接近但尚不等于开放式软件工程能力。36氪
怎么用：当雷达，不当排名
普通用户不必记住谁赢了这期，这个测试里真正可迁移的是判断方法。看三个信号：规则有没有公开且可复现（全系列开源、排行榜可上传，是加分项）；换几类任务榜单是否稳定；出题方的物理引擎、时间预算等设定改过几刀。回到自己的使用场景，最有价值的一问是：它能不能像Sol那样，把"让测试自己跑起来、失败了自动迭代"当作默认动作。车能开过AI造的桥，但AI不会因为桥稳，就直接能在你的代码库里交活。测试准不准，取决于你拿它回答哪个问题。
