这两天，两场AI造桥大赛先后放榜。B站「AI算法对抗大赛」第9集里，9个模型在90分钟里闯7关，GPT-6.2 Sol以102.67分夺冠。 另一边，ModelDial的8个模型盲打造桥赛，GPT-6 Astra以98.58分登顶。 更巧的是，几位重叠选手的名次全换了位：Claude Opus 5.5一边第二、一边第三，Gemini 4 Argon一边第四、一边第二，GPT-6 Astra一边第三、一边第一。同样叫“造桥”，两份不同的榜单。GitHubModelDial
所以，能不能直接把名次当成大模型能力排名？办比赛的人自己先说了不行。「AI算法对抗大赛」的赛事文档写得很直白：选手用的工具、接入渠道和思考档位都不同，“不能把本场结果当作模型能力排名”。 同一场比赛的公平性说明还提醒，每个模型只测一次，单次结果有偶然性；第3集的附加实验里，同一个模型只换工具，实力值能差120分以上。 这句话不是客套，而是这类榜单最容易被忽略的前提。GitHubmeow-ai-arena
两场比赛，考的并不是同一种能力。「AI算法对抗大赛」给每个模型同一份选手包、同一套确定性的物理模拟器，可以无限次本地试桥、写辅助脚本，90分钟里自己分配七关；比的是“读规则—写代码—反复试错—压造价”的工程循环。 ModelDial则把画面、代码环境和计算器全部拿走，只给河宽和预算，让模型纯靠脑算交图纸；比的是空间想象和手算，最后两关还占了一半分。 一个是开卷迭代，一个是闭卷心算。GitHub哔哩哔哩
而且，比赛分数不是一条平滑的能力曲线，更像一道道生死线。「AI算法对抗大赛」七关各占七分之一，第4到6关只有三个模型过关，第5关只有Sol过；任何一关没过，那七分之一就直接归零。 ModelDial的Claude前五关一次通过，最后一关25分全没，和前面两名的差距一下拉开。 这不是“谁更聪明”的连续排序，更像“谁先踩到雷”的淘汰赛。meow-ai-arenaB站
分差也不只来自能力。「AI算法对抗大赛」的规则是过关后比造价，造价越低分越高，单关超过参考答案就能拿到100分以上。 但参考答案不是理论最优，超过100只说明比出题人的答案更便宜。Sol在第2关造出7702的桥，只有参考造价10616.73的七成多，这一关拿到137.85分。 这样的分数，更像是“在特定规则下把成本压到多低”，而不是“有多聪明”。GitHubmeow-ai-arena
同一个比赛里，第7关又是另一种游戏：每人交一座桥和一辆“捣蛋车”，72局攻防；Sol的桥8场全守住，Astra的捣蛋车攻破6座。 造桥和拆桥，也不是同一种能力。把七关折成一个总分，本来就是把几种不同的本事塞进一个数字里。GitHub
那这些比赛白看了吗？也不是。它至少说明，在“给规则、给模拟器、允许写脚本”的条件下，GPT-6.2 Sol把七关的成本控制做得最好；在“不给图、不给代码、只给数字”的条件下，GPT-6 Astra的一次通过率最高。它们各自证明了一种很窄的能力：把工程问题拆成可试错的参数、在预算内找到能过的最省方案。这个能力真实存在，也有用。但它不是“通用能力”，更不是“谁替代谁”。
所以，看造桥大赛的正确姿势，大概是把它当成一场有明确规则的比赛：看冠军怎么赢，看谁在哪一关翻车，看不同规则下排名怎么变。下次再看到类似榜单，先问三件事：考的是什么、给了什么工具、跑了几次。这些都比一句“XX模型第一”有意思。至于大模型能力排名，还是等有统一的工具、统一的预算、多次采样和公开题库的评测吧。至少现在，两座桥说明不了谁更聪明，只能说明谁更会在这一局里省钱。
