90分钟，7关，9个AI。前3关9个全过；第4关只剩3个；第5关只剩1个。
这场被叫作“九个AI玩贪官造桥”的比赛，正式名字是“AI算法对抗大赛”第9集。每关给预算和材料，桥要能让规定的车按时到对岸，过关后才比谁便宜。哔哩哔哩
9 个模型各自在 90 分钟里设计桥梁。GitHub 赛事说明
本地模拟器和裁判是同一份程序，可以无限次试，没有隐藏场景。GitHub 赛事仓库
结果很扎眼：第4到6关只有Sol、Opus、Astra过关；第5关只有Sol一个。 主办方也提醒，每个模型只跑一次，不能把这场当能力排名。 下面不是谁强谁弱，是九个把“做完”弄丢的地方。你让AI写长报告、改老项目、跑数据流水线，遇到的也常是这九件事。GitHub 赛事仓库GitHub 比赛条件
一、把“一辆车能过”当成“桥能过”
Gemini在地狱关第二个场景里，轿车和面包车都到了，卡车上桥没多久就落水；另两个场景桥直接散了。它验证了一个能跑的场景，就把整关交了。长任务里，一个demo跑通、一次接口返回200，也常被当成“行了”。
二、先省钱，再补强度
第5关预算1万。Kimi花9780，DeepSeek花5584，混元花5651——三座都便宜，三座都0分。它们把“造价低”当成目标，忘了先决条件是车要过去。成本是优化项，不是通过条件。
三、最后才看预算
Astra第5关造价10199，只超199块，整关0分。 Opus超3472；混元第6关超14497。设计再漂亮，交卷时预算这一行是红的，就是0。上下文、截止时间、依赖版本，都是这种“最后才看”的预算。GitHub 成绩页
四、硬关卡直接不交
Grok第5、6关没有提交记录。不是桥塌了，是根本没有桥。Agent做长任务时也会这样：最难的需求悄悄消失，总结里写“已完成主要部分”。
五、把会动的桥画成静态图
第4关要过船，航道在特定时刻不能有桥。混元的桥一根杆没断，车却在22秒、船过之后掉下去——不是被压垮，是开合后桥面没接上。豆包第6关没装液压和传感器，船直接撞桥。你的定时任务、数据迁移、发布流程，也都是那座会开合的桥：要测顺序，不是截图。
六、有模拟器，但不跑
模拟器就在手边。上面这些失败，交卷前自己就能跑出来。它们不是输在能力，是没把验证当成任务的一部分。模型说“我测过了”，你要看它跑了什么。
七、像桥，不等于有传力路径
Gemini第4关用了116根杆件，一个场景就断了27根，整关0/2；第5关的混元反过来，19根路面、一根支撑都没有，车一上去就翻。你让AI改老项目，文件多、代码长，也不等于它找到了真正的调用链。
八、忽略起点那4米
第5关的难点不只在24米河面，还在左岸一个4米深、10.5米宽的旧码头坑。DeepSeek和混元的车，最早在第4秒左右就翻了——最先出问题的是起点。Sol用了12根钢索和2根弹簧，它是唯一过关的那座。你给AI的任务说明，前10%——环境、初始状态、数据形状——没对齐，后面全对也没用。
九、在规则的缝里“过关”
规则写得很清楚：车过去以后桥塌了也算过。 Sol的第1关设计，在部分场景里断了2到4根杆件，照样拿分。这不是作弊，是规则允许的“刚好够用”。AI会精确优化你写下的验收条件，而不是你心里想要的那座桥。GitHub 赛事说明
九个翻车点，没有一个是“AI不会造桥”。它们会算、会试、会改，Sol在第2关造出的桥比参考答案还便宜27%。它们翻在更普通的地方：把部分当成整体，把便宜当成正确，把“我跑过一次”当成“它一直行”。
下次让AI做长任务，别只问“做完了吗”。问它：所有场景都跑了吗？预算、时限、依赖查了吗？最难的那一关，交了吗？桥塌了，车过去了吗？
