11月8日晚上，B站一条《当我把九个ai请来玩贪官造桥》火了。九个模型在90分钟里设计七关桥梁，发布两天，播放量138万。评论区最热闹的是“桥塌了”，作者却在评论区补了一句：比赛全系列已经在GitHub开源。哔哩哔哩
我照着仓库跑了一遍。不是重跑那90分钟——那部分没有开源——而是重跑裁判。仓库里说得很清楚：选手的本地模拟器和裁判用的是同一份程序，正式评分就用公开场景，没有隐藏场景。 物理内核又是确定性的：同一份设计，在任何时候、任何目录跑，结果都应该一样。GitHubGitHub
找一台普通机器：2核Linux，Python 3.12，GCC 15.2。先 `python build_engine.py` 编译物理内核，再 `python tournament/score.py --workers 2`。跑完后，屏幕打出“核对通过：第1～6关54份设计、第7关72局逐车结果、九人总分与results/完全一致。”
我的编译器和比赛用的GCC 16.2不是同一版，编出的exe哈希是aa974f…，不是官方的4186445e…。仓库自己也说，其他编译器不保证字节相同，可用score.py核对结果。 这反而把“可复现”说清楚了：复现的标准是结果，不是那个exe。GitHub
重跑之后，最值得看的不是冠军。GPT-6.2 Sol以102.67分排第一，Claude Opus 5.5是79.02，GPT-6 Astra是73.48；剩下六位从45.31掉到27.93。第4～6关只有前三名拿到过分，第5关只有Sol一个人过。GitHub
失败方式比排名有意思。Opus第5关的设计不是塌了，是造价13472，预算只有10000，物理都没跑，先被判“设计不合法”。Astra同关10199，只超了199。Gemini第6关造价17922没超预算，第一份场景里却有28根杆件断裂，四辆车先后落水，三份场景0/3。Kimi同关交了个11741的方案，也没过。
换句话说，这些模型大多能交出一份“看起来像桥”的合法设计；真正卡住它们的是把造价压进预算，以及让同一座桥在三套车流里都成立。第5关的名字就叫“钱不够”，第6关叫“地狱关”：36米河、两块礁石、航道、双向卡车，三份场景全过才算过。
这也是这场“开源可复现”最容易被误读的地方。你能复现的是成绩，不是那90分钟。仓库明确不收录选手会话、思考内容、主办方的计时和收卷脚本、密钥。 比赛条件里也写，思考档是启动配置，不是对每一次实际请求的独立验证，工具版本没有逐人留存；每个模型只跑一次。GitHubGitHub
所以score.py能证明“这54份设计和72局对打确实得出这张表”，不能证明“模型A一定比模型B强”。仓库自己也是这么说的：工具、接入渠道和采样都会影响结果，不据此预设模型强弱。GitHub
普通人想自己验，门槛比想象低。验证其实分三层，代价依次增加。
只想看：不用装东西。仓库 `bridge/replays/` 里有9个HTML回放，双击打开，逐帧看车怎么过、桥怎么断。网页版 `arena.meowllm.top/ep9/play.html` 还能自己搭桥试车。
想复算：装Python 3.9+和g++，clone仓库，在`bridge/`下跑那两行命令。8核机器上几秒到一分钟；我2核也跑完了。GitHub
想验单个设计：在`bridge/workspace/`下运行 `python bridge.py check 5 …/designs/opus/level5.json`，会直接告诉你“造价13472超过预算10000”；把check换成run，就能看每一辆车是到达还是落水。想自己造一座上传排行榜也行，但网站服务器只重算造价和合法性，不跑物理；榜单前几名靠访客浏览器抽查复跑，跑不过会下榜。GitHub
跑完这一遍，我对那条视频的理解变了。视频里最抓眼的是桥塌；仓库里最值得看的是塌之前的那张预算表。“AI会不会造桥”不是一条视频能回答的问题。它更像一道工程题：给定材料和预算，能不能交出一份经得起别人复算的设计。至少这一次，答案被放在了可以复算的地方。
