11月8日晚，B站UP主"喵了个猫了个咪了个猫"更新了《AI算法对抗大赛》第9集，标题就叫"当我把九个AI请来玩贪官造桥"。九个主流大模型在90分钟里各自设计桥梁，视频放出约一天播放量突破71万、点赞超2万，而这位UP主的粉丝不到4万，评论区已经刷起"梦碎造桥""击败GPT的只能是GPT"的梗。这场成绩到底能不能替代你对日常大模型的信任判断？值得读，但主办方在规则文档里先把冷水泼了：本场结果不能当作模型能力排名。哔哩哔哩GitHub
规则本身相当硬核。桥是二维杆件结构，由确定性的物理引擎模拟；9个模型不写bot，开局一次性领7关，前六关让规定的车辆按时完好过河之后比造价，造价越低分数越高，第七关每人交一座决赛桥和一辆"捣蛋车"，所有人的桥互相对打72局。比稿实际发生在11月7日（洛杉矶时间）。成绩单上冠军是GPT-6.2 Sol，总分102.67；第4到第6关只有它和Claude Opus 5.5、GPT-6 Astra过了关，最难的"钱不够"预算关只有它一家通过。Opus 5.5以79.02、Astra以73.48紧随其后，剩下六个模型——包括Kimi K3.1 Pro、腾讯混元Hy4、豆包和垫底27.93分的DeepSeek V4.1 Flash——全部栽在最后三关。GitHub
比冠军更值钱的，是失败样本
Kimi K3.1 Pro在"地狱关"交了一座造价11741的桥，比主办方参考答案的16709还便宜三成，结果三个卡车场景一个没扛住。Grok 4.7的问题更直接：时间分配失当，第五、六两关干脆没交卷。一边是求快求省到塌桥，一边是混元Hy4在压轴关干脆超预算判零分——模型在"做过头"和"做不完"两个方向上的失控，比任何跑分都更接近你日常把长任务扔给agent时碰到的麻烦。GitHubGitHub
主办方自己划了三条边界
但把这张榜单直接换算成"哪个模型靠谱"，会踩中开源仓库里明文写着的限制。第一是单次运行：每个模型只跑一次，单次结果有偶然性，工具、接入渠道和思考档都会影响结果。第二是工具不可比：这个系列第3集做过附加实验，同一个模型只换工具，实力值能差120分以上，而且不同集的分数口径不同，不能直接比较。第三是基准线的错觉：关卡分以主办方手搭的桥为100，比它便宜就超过100，这只说明造价压得低，不说明模型更聪明。最根本的错位是任务本身——造桥考的是物理推演、约束服从、预算优化和在90分钟里自己分配时间，这套能力与写文案、查资料、快速问答几乎不相交；恰恰是把长任务打包给coding agent的用户，才会在这堆失败样本里看到眼熟的翻车姿势。GitHub
同一周的第二个变量
热榜发酵的同一周，还有第二场造桥赛，恰好补上了"规则敏感性"这块证据。11月9日晚，UP主"程序员阿江"发布了8个模型的ModelDial造桥闯关，赛制反着来：全程盲打——不给看画面、不给操作代码的环境、也不给计算器，只发河面宽度和预算这些条件，让模型纯靠脑子去算，然后交设计图纸。每关只有两条命，最后两关权重占到全场近一半分值。换一套赛制，剧情立刻不同：有模型在第五关整整80分钟没算出来直接交了白卷，却在最后一关手算到小数点后六位过关；前五关一路稳的模型，压轴题因为桥顶钢架架得太高，两扇桥在半空中交汇时撞在一起拿了0分。同一批模型被两套规则逼出两张不同的曲线，这本身就是对选题的回答：任何一场造桥赛的成绩都高度依赖赛制设计，把单场排名当成日常靠谱的判据，是误用。哔哩哔哩
普通用户怎么读这张榜
先对场景：日常问答、写作、翻译，看这张榜约等于看热闹；用agent干长任务，这72局攻防和6关造价表才是你的故障模式图鉴。再查口径：成绩旁边的CONDITIONS写明了单次运行、各家用的工具和档位，第9集的设计文件、物理内核和计分脚本全部开源，任何人一条命令可以重算核对，观众还能在官方页面自己搭一座桥上传排行榜。最后看行为信号而不是冠军：超预算、交便宜塌桥、干脆没交卷、"自以为过了"这四种翻车方式，比总分102.67更接近"日常靠谱"的可测定义。别忘了UP主自己在置顶里提醒过：这期本来在等新版模型发布没等到，偏向娱乐也比较赶工。 连出题人都这么提醒你别太当真，你更该把这两场比赛当一面带刻度的镜子：照得见模型在复杂任务里会不会硬编数字、会不会错估自己，照不见它明天早上回答你问题时是否耐心、是否诚实。哔哩哔哩
