先给结论：垫底是真的，但差的不是"懂不懂造桥"的知识，而是把方案一路推进到能验收的那条工程链；赛制问题也是真的，但它不在作弊，而在口径——这场把模型、工具壳、成本取向合并计成一盘的测试，排得出长程交付的高低，排不出"国产IQ"的座次。
这场对决来自11月8日晚发布的"AI算法对抗大赛"第9期·造桥：9个大模型在同一个物理模拟器里限时造桥，前三名依次是GPT-6.2 Sol、Claude Opus 5.5、GPT-6 Astra。 名次表的后四位恰好全是国产：Kimi K3.1 Pro总分32.47排第6，混元Hy4 31.45分第7，豆包Seed Evolving 30.96分第8，DeepSeek V4.1 Flash 27.93分第9。官方页面把规则、成绩表和选手源码全部公开，网页里的模拟器用的就是比赛引擎。微信公众号AI算法对抗大赛
赛制考什么：一场"贪官式"验收
七关依次是小水沟、大峡谷、早高峰、过船、钱不够、地狱关，最后一关每座桥还要挨个迎战其余八名选手的"捣蛋车"，两两对打共72局。计分公式只有一句：关卡分 = 100 × 参考答案造价 ÷ 你的造价。 也就是说，按时让车完好过桥的前提下越省钱分越高——"贪官造桥"的调侃正是这么来的：模型像被现场考核的包工头，抠成本抠得越狠，分数越高。AI算法对抗大赛
成绩分布比名次更能说明问题。前3关国产并不难看：豆包第1关拿到90.40分，混元第1关85.33分，Kimi第3关80.30分；分水岭出现在第4到第6关——开合桥配合船期传感器、材料预算卡死、多车流叠加这三道综合题，只有前三名模型解得动，第6至9名在这三关全部吃零蛋；攻防局里，四款国产模型的捣蛋车攻破数都是0/8。UP主在置顶评论里也坦承，这期本来想等新模型发布再开赛，没等到，内容偏娱乐也偏赶工。 这类单场结果只能当信号读，主办方也把边界说在了前头：单次结果不构成模型能力排名。哔哩哔哩微信公众号
"排后位"里，有多少是壳的账
造桥分数并不纯净：成绩单上每个模型后面还挂着各自的agent工具——Sol、Astra用Codex，Opus用Claude Code，国产模型分别挂在Kimi Code、OpenCode等壳里；方案能不能走通，很大程度取决于试跑失败后改不改得对。评价编码能力时，Artificial Analysis把编程拆成Coding Agent Index，计分不只算模型，也把驱动它的工具壳一起算进去。 在那张榜上，Claude Code挂Haiku档拿62分居首，DeepSeek Harness挂V4.1是46分，Kimi Code CLI挂K3.1只有41分，比智能指数上的差距还宽。造桥垫底里的那段长链路差距，有一部分要记在工具壳和回修闭环头上，而不是模型权重本身。产品汪的AI笔记
换一个尺度，次序立刻变：有工程从业者用统一提示词测试14款主流模型"一句话生成悬索桥施工模拟动画"，一次性生成、不做人工修改，做得还不错的名单里，GLM、DeepSeek与头部海外模型同组。微信公众号
能力差距：三把尺子指向同一处
如果说赛制只解释名次，那么下面三组证据解释的是差距本身。先看榜单：Artificial Analysis在10月底把智能指数从v4升到v5，最核心的变化是六成权重第一次压在私有测试集或"答案被扣住不给看"的题目上。 新榜中国产最高的是Kimi K3.1 Pro（46分，总榜第9），Qwen3.8 Max 34分退到第13，DeepSeek V4.1 Flash与GLM-5.3同为32分，开源与闭源头部的差距从3分重新拉大到12分。微信公众号
新加的FrontierCode 2.0把132个编程任务全部取自真实开源仓库，判分标准不是代码能跑，而是仓库维护者愿不愿意合并这个PR。 DeepSeek在该单项以28%拿到已开源权重模型的最高分，可综合仍被拖在32分；Qwen3.8 Max与Claude Haiku 5.5只差2分，单任务成本却是10.02美元对0.41美元，平均用时约53.8分钟——单项能打，欠的是把能力稳定交付成"别人愿意收货"的那段路。产品汪的AI笔记
再看论文：PolyBridgeBench把189个造桥关卡拆成规则合法、仿真通车、塌后能修三层指标，宽松预算下有的模型合规率九成以上、仿真通车率却只有一成多，预算一收紧榜首还会换人。最后是实体世界：9月另一场由开发者发起的3D打印桥梁实测里，Claude Opus 5.5的桥承受约130磅居首，Kimi K3的问题更早出现：零件没有被正确工程化，桥梁无法完成组装。 三处口径互不相同，指向却是同一件事：当前一代模型（包括头部海外旗舰）普遍卡在"验证过—跑得通—修得回"的闭环上，国产在这里叠着壳与工程沉淀的双重欠账。AI创业进行时极客BIM设计工坊
垫底之后的一个月：国产在改打法
第一个动作来自月之暗面：官方把10月发布的Kimi K3.1 Pro描述为迄今最强的3万亿级参数模型，称它在代码、3D创作与长程Agent能力上显著提升。 11月5日，月之暗面进一步发布Kimi Hosted Agents，把支撑Agent运行的Harness做成云端托管服务——补课方向正对着"壳"的短板。另一条国产路线干脆不做试卷题：铁四院"AI桥总工"的架构是主控智能体接任务、拆任务、派任务，设计、仿真、感知、管控四个智能体各司其职。 设计智能体自动生成桥型方案，仿真智能体提前推演施工风险——把规范和验收嵌进流程，测的是工程系统造桥，不是裸模型造桥。微信公众号中国铁建
回到热榜那道选择题：答案是各占一半。垫底不是黑幕——规则公开、引擎逐帧可复现、主办方自己给结论划了边界，“被赛制坑了"在这种透明度下很难成立；但把第6至9名直接读成"国产大模型造桥不行、全面落后”，同样读错了赛制——它测的是长程工程交付，不是知识问答，而在单轮生成类实测里，GLM-5.1、DeepSeek同样站进了第二梯队。值得盯的三个信号：下一期大赛，国产能否在第4关之后拿到非零分；捣蛋车攻破数能否走出0/8；以及当出现"壳与模型分开计分"的新赛事时，Kimi、DeepSeek们能不能回到中游。
