9个当下前沿的大模型被同时关进同一个二维造桥模拟器：全部7关开局一次性发放，90分钟倒计时，到点以文件快照收卷。这是B站“AI算法对抗大赛”系列的第9集，这一次不是各写bot下场互打，而是9个模型亲自当结构工程师造桥。关卡规则、成绩表、设计文件和精选回放全部公开挂在赛事页面和 GitHub 上，任何人都能重算核对。GitHubGitHub
结果很残酷：第4～6关只有GPT-6.2 Sol、Claude Opus 5.5、GPT-6 Astra三个模型过关，第5关只有Sol一个过了，它最终102.67分排第一，第9名的DeepSeek V4.1 Flash只有27.93分。视频11月8日晚发布，一天出头播放量逼近百万。但对日常用Agent的人来说，真正的信息不在冠军身上，而在失败者的细节里：超预算199块清零、照抄旧方案超支35%、交了合法设计却一个公开场景都没跑通、最后两关干脆没交卷、5名选手进攻端零攻破。这些翻车点和用户日常把活交给Agent时踩的坑，几乎是一一对应的。GitHub
这场赛，本身就是一次典型的Agent工作日
选手不是裸模型答题，而是各自带着所在公司的coding工具上场：Sol用Codex桌面版、Opus用Claude Code、Astra用Codex CLI、Kimi用Kimi Code，Gemini、混元、豆包都走OpenCode——读文档、写辅助脚本、跑模拟、交文件，和你把一个工单丢给coding agent是同一套流程。赛制把一切借口都拆掉了：选手手上的本地模拟器和裁判用的是同一份程序，可以无限次试，正式评分就用发给选手的公开场景，没有隐藏场景。计分同样不含糊：过关才有分，和参考答案一样便宜得100，更便宜就超过100，没过、没交、超预算都是0。开赛提示词里还专门强调，只做到“能过”远远不够——同样过关，造价越低，分数越高。GitHubGitHub
翻车点一到三：预算红线上的199块、35%和72%
第5关叫“钱不够”：24米的河外加左岸旧码头坑，预算砍到10000，而且这一关没有木杆，木料用完了。翻车点一：Astra交出一座造价10199的桥，超预算199块。只超2%，但按计分公式，这和桥塌了完全等价——0分，它最终止步第3名。日常对应：Agent说“改好了”，你没跑最后一遍验收。CI、账单和验收环境不认识“差一点”，超2%和全崩拿的是同一个分数。GitHub
翻车点二：Opus在同一关交了13472的桥，超预算34.7%。它前三关拿了99.38、114.93、101.99，始终咬在第一梯队，栽的恰恰是材料表变了的那一关。日常对应：新任务长得像旧任务，Agent照抄上一次的方案，需求的变化只写在“没有木杆”这一行里。GitHub
翻车点三：混元是另一种死法。第2、3关它靠高价桥勉强过关，只拿49和48分，第4关起直接未过，到第6关交出一座34497的桥，超预算72%——越错越造、越造越大，最后连此前一直守得住的预算红线也破了。日常对应：Agent的改坏—再改循环里，补丁和依赖越堆越厚，功能还没通，昨天还守得住的红线今天先破了。GitHub
翻车点四到六：自检和交卷——交了不等于跑过，做了半套等于没做
翻车点四：Gemini在第4、5、6关交的都是合法设计——造价全在预算内，公开场景却一个都没跑通（0/2、0/2、0/3）。引擎确定、试车无限、本地模拟器和裁判又是同一份程序，唯一解释是它压根没把交的版本完整跑一遍。日常对应：Agent汇报的“本地验证通过”，经常只是它自选的两个用例过了，“能演示”和“能验收”差着一整套场景。GitHub
翻车点五：Grok是唯一两关“未交”的选手，第5、6关直接空白。它把时间花在前三关的打磨上，第2关造价15450比参考贵近五成，最后两关连文件都没来得及生成。日常对应：没有工时规划的Agent会在前几步烧掉大部分预算，到点快照收走时，做到一半就是零。而开赛提示词写得明明白白：交卷以截止时刻的文件内容为准。早存盘、分阶段交付，是选手和用Agent的人共同的保命习惯。GitHubGitHub
翻车点七到八：能过但太贵，和第一次出现的动态需求
翻车点六是整组的隐形失血：Kimi第1关造价6065，比参考的3510贵了约73%，只拿57.87分。成绩表里还有个更微妙的细节：豆包和DeepSeek第2关的造价数字一模一样，都是20128，比参考贵近一倍，各自只拿52.75分。日常对应：Agent写的代码“能跑”不等于“值得跑”——重复逻辑、堆砌依赖，功能正确性背后是成本灾难，维护费、账单和迭代速度都在悄悄结账。GitHub
翻车点七出在第4关：河道中间有航道，船过时航道里不能有桥，这是场上第一次出现需要机关——压力板、光电门、船笛这些传感器加延时规则和红绿灯——才能解的需求。在这关折掉的六款模型，第1到3关的静态桥全都过了——“状态和时间约束”一出现，旧经验直接归零，只有真动过机关的三款接着往前走。日常对应：固定流程的demo跑得丝滑，真实需求里多一个超时、并发或权限时效，同一个Agent立刻翻车。越是依赖经验复用的用法，越容易死在第一次需求变化上。GitHub
翻车点八藏在第7关攻防里：每人交一座静态决赛桥，再交一辆造价不超过6000、长不超过3米的捣蛋车，去撞别人的桥。72局里18局被攻破，都没有出现物理异常——每一局都打在结构的真实薄弱点上。但攻击端断崖分明：Astra的捣蛋车攻破了8座桥里的6座，防守全守住的Sol也只攻破5座，第5名到第9名的五位选手全部零攻破。会造自己桥的模型，想不出撞别人桥的招。日常对应：让Agent同时写代码和测试，测试只会防着自家代码走过的路径；对抗视角必须来自另一个角色、另一个Agent或另一家模型。GitHub
翻车点九：冠军身上也有一个
Sol是9人里唯一把7关全部做出来并过关的，但它第1关造价3562，仍比参考答案的3510贵了一点，关卡分98.54；防守8局全守住，攻击端也只有5/8。最好的Agent也拿不到“交卷即满分”，第1名和其他人的差距不在灵感，在流程零失误。评论区有观众复盘，说它和其他选手的分水岭是“把普通的优化试车直接写成了脚本，让电脑自己跑”，剩下的时间才去想结构上的突破。日常启示：把验收、试车、压成本这些步骤自动化，把模型的注意力留给只有它能干的环节——用Agent，要把它当工程师，不是当神仙。GitHub哔哩哔哩
主办方把边界写得很明白：每个模型只测一次，工具、接入渠道和思考档都会影响成绩，本场结果不能当作模型能力排名。但翻车点不需要排名也成立：199块、13472、34497、两关白卷、攻击端的五个零，全部写在裁判程序里，54份设计文件随便谁都能重算核对。日常用Agent的最大收益，很少来自换更强的模型，而是来自把这场比赛用红笔圈出来的五个闸口装进流程：超预算和没交卷一样是0分，所以硬约束要有最后验收；材料表会变，所以动手前重读新限制；公开场景要全跑完，所以“本地过了”不算过；快照收卷，所以要规划工时、提前存档；撞桥的招Builder想不到，所以对抗测试交给第二个视角。比赛里的桥塌了只扣一个关卡分，你日常那座桥塌了，扣的是返工、账单和线上事故——它们翻车的位置，从来都是一模一样的。GitHubGitHub
