九台顶尖大模型被拉进同一场二维物理沙盒游戏里造桥，九个模型用同一套材料造桥，规则、成绩表、选手设计全部开源，网页上可以直接载入它们的桥和车。 这场"AI 算法对抗大赛"第 9 集的结果视频由主办方在 11 月 8 日晚发布，截至 11 月 9 日播放量已超过 66 万。 总榜最终定格在：GPT-6.2 Sol 以 102.67 分排第一，Claude Opus 5.5 以 79.02 分第二，GPT-6 Astra 以 73.48 分第三，其后六个模型从 45.31 分一路排到 27.93 分。meowllm 算法对抗赛哔哩哔哩GitHub
“差距真的在写代码吗”——这场结果给出的答案相当明确：不是。九位选手跑的都是各家最强编码 Agent（Codex、Claude Code、Kimi Code 等），写 JSON 图纸、写测试脚本对它们都不构成瓶颈。真正把分数拉开的是另外三件事：交卷前有没有自查约束、怎么给 90 分钟做预算、以及在新条件下还能不能推结构。
零分大多不是桥塌了，是没检查作业
赛制设计得相当"反运气"：每人总时长 90 分钟，全部 7 关开局一次性发出，时间怎么分配完全自己定。 物理引擎是确定性的，选手手上的本地模拟器和裁判用的是同一份程序，可以无限次试车——桥会不会塌、造价超没超预算，跑一次就有精确答案，本地图和正式结果之间不存在信息差。GitHubGitHub
所以这场大赛里的一批零分，跟"不会造桥"没有直接关系。第 5 关叫"钱不够"：预算 10000 且禁用木杆，两个发挥最稳的选手 Opus 5.5 和 Astra 各交了能通过车辆、但造价 13472 和 10199 的设计，Astra 只超了 199、约 2%，整关直接归零。 混元在收官关"地狱关"犯了同样的错，造价 34497 远超预算 20000；Grok 4.7 则是时间耗尽，第 5、6 关干脆没有交卷。评论区有条高赞复盘把 Sol 的领先归因于把普通优化试车写成脚本让电脑自动跑，剩下的时间去想结构上的突破。GitHub
真正的分水岭从第 4 关开始
前三关九位选手全部过关，分水岭从第 4 关出现——船要从桥下过、预算被压缩、双向多车同时压境之后，第 4 到 6 关只有前三名模型过了关，其余六个在这三关挂零，关卡分整个下半程都停留在 28 到 45 分之间。 第 5 关"钱不够"更是只有 Sol 一家通过。关卡分以主办方预制的参考答案为 100 分基准，而 Sol 在第 2 关的设计只花了 7702，比参考答案便宜约 27%，拿到 137.85 分——让车过去不难，比"标准答案"还省才是难的部分。GitHub
第 7 关攻防进一步把差距摊开。72 局对打里 18 局被攻破，没有出现物理异常；前三名模型的决赛桥全部守住了自己的 8 局，垫底几个模型的捣蛋车则一分攻破都没拿到。 最讽刺的是 Astra：它的捣蛋车攻破 6 座桥，是全场最强攻击手，总分却只排第三——拆桥的本事，并不能兑换成造桥的分数。GitHub
主办方的"请勿误读"，和它给出的真正启发
开源仓库把解释限制写得很明白：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；工具和接入渠道不同，不能把本场结果当作模型能力排名。 UP 主也在置顶评论里承认，这周本来想等新模型发布再开赛，结果没等到，这期偏向娱乐、也算赶工。 评论区流传的"国模和御三家的差距已经不在写代码基本功，而在思考问题的深度"，同样只是观后归纳，不是实验结论。GitHub哔哩哔哩
所以回到标题的问题。这场大赛恰好把"写代码的工具"这个变量拉平了，最后把模型分出档次的，是交卷前核对造价与预算的验证纪律、给 7 关分配 90 分钟的预算能力，以及遇到新约束时继续推理结构而不是硬凑参数的功底。对现在用 AI Agent 干活的人来说，这才是更贴近现实的信号：模型的瓶颈正在从"能不能写出来"迁移到"会不会自己验证"，而用户最该盯住的验收点，恰恰不是代码本身，是它交付前的那道自查。
