11月8日晚，B站UP主"喵了个猫了个咪了个猫"发布了一期约110分钟的视频：把9个主流大模型请进自制造桥游戏"贪官造桥"同台比拼，模型被拟人成角色各造一座桥，造好的桥当场让车开过去，塌桥、抠预算、烧Token的场面一锅炖。截至11月11日，这条视频平台显示播放量超过149万、点赞近4万、评论7600余条，两天内话题就登上B站热搜，引来一批跟进解析视频。热闹看完，普通用户想要的是判断依据：这份成绩单纯正能读出的差距有三类——遵守硬约束、验证条件允不允许自己复核、办成一件事的成本；而传播最凶的两个点"塌桥等于不懂物理"“垫底等于没用”，恰恰不能直接读。哔哩哔哩
开源的游戏、公开的账单，才值得当证据
这期是"AI算法对抗大赛"系列的第9集，UP主在置顶评论里写得很坦白：比赛和游戏全部开源，页面上还有排行榜，普通人可以上传自己做的桥和AI同场比。正因为赛题可复现、成绩可回看，这期娱乐赛才有被当作证据讨论的资格，而不是只看个乐子。哔哩哔哩
第一类看得懂的差距：不是会不会做，是守不守条件
评论区很快整理出自己的"省流"版排名：sol赢过姐姐Astra，“赢得干净"成了高频说法。而DeepSeek的拟人角色"大肥鱼"则被排到垫底位置，二创视频的标题直接写出"豆包第八，大肥鱼第九”。要说明的是，这些名次出自评论区和二创账号的转述，并非官方榜单口径，但叙事指向同一个问题：同一个游戏里，有的是在预算和约束内把桥立起来，有的是硬堆着把车推过去。第一类真差距就在这里——考的不是知识量，是约束遵守的稳定性。哔哩哔哩哔哩哔哩
第二类看得懂的差距：允不允许"自己试车"，决定下限
把9个AI造桥成绩读出差距，最锋利的方法是对照另一场条件相反的测试。11月9日，程序员阿江-Relakkes给8个主流模型办了场ModelDial造桥挑战赛：国外4个（GPT-6 Astra、Gemini 4 Argon、Claude Opus 5.5、Grok），国内4个（千问、Kimi K3.1 Pro、DeepSeek、混元），规则与喵了个猫的比赛相反——全程盲打，不给看画面、不给操作代码的环境、也不给计算器，模型只能靠文字条件交图纸。哔哩哔哩
阿江视频标题就是"连闯6关，压轴题居然只过3个"：压轴关场上接连出状况，有模型在第五关整整80分钟没算出来直接交了白卷，却在最后一关靠手算到小数点后六位过关；也有前五关一直特别稳的模型，在压轴题因为桥顶钢架架得太高、两扇桥半空相撞拿了0分。两场测试摆在一起，第二类差距就浮出水面：有试车环境时，桥可以迭代到不塌；禁掉自查后，头部模型也会交白卷、半空相撞。对普通用户的启示是——你感觉AI"很能干"，一半功劳是代码能跑、错误能回传的反馈环境；同一个模型放进"只许说一次"的任务里，表现会掉档。哔哩哔哩
第三类看得懂的差距：成本是第二张成绩单
评论区对同一个事实有两句方向相反的调侃：一条热评吐槽大肥鱼这条线烧了几千万Token只换回低分，另一条替它辩护"这个活我才收了你三毛三"。这些数字出自评论转述，只能当方向感；真正有参照价值的是阿江比赛直接晒出的调用账单——有选手游戏里精打细算，场外花的钱却相当可观，视频简介里那句问句点破了这张隐藏成绩单：谁在游戏里精打细算、场外却花了约21美金？对多数用户来说，模型间的token消耗和按任务计费，是三类差距里唯一直接映射到月账单的一项，也最值得买。哔哩哔哩哔哩哔哩
看不懂的差距之一：塌桥不等于模型"笨"
把桥塌画面直接翻译成"这模型不行"，是最常见的误读。UP主千云sm在跟进视频里给出机理解释：模型交给造桥游戏的只是坐标和杆件参数的文字，模型内部并没有一个求解器在算受力，“我们吐出来的是字，不是力”。哔哩哔哩
他还做了个固定随机种子、可复现的对照实验：自写桁架受力求解器，随机生成一千座桥来当真裁判，一千座里七百二十九座连受力都算不出来、直接是机构；活下来的二百七十一座里，最省料的一座比标准桁架少用百分之十九的料。按他的说法，塌不塌先看形状、再看粗细，三角形桁架和方框桥的差别远比"用了哪个模型"大。所以塌桥主要暴露的是形状先验和实时物理反馈的缺失，翻译不成"这个模型不能做结构设计"；它同时也说明，一旦有真求解器兜底判卷，同样的文字输出也能被筛出省料近两成方案——差距在"有没有裁判"，不只是在选手。哔哩哔哩
看不懂的差距之二：娱乐榜单不是选购指南
最后一条边界来自比赛本身。喵了个猫发布这期前本在等厂商新模型，没等到才上线，自评"这期偏向娱乐，也比较赶工"。评论区还一度争论UP主是否给个别模型多放了Token——当条件公平性本身存疑，名次就只剩节目价值。两场测试的榜单也无法互证：喵了个猫的场次里sol被捧到第一、大肥鱼垫底，阿江的盲打场里过压轴题的名单又是另一套。拿任何一张榜单直接决定"选哪个模型"，都超出了这些测试能支撑的结论范围。哔哩哔哩
下次再遇到同类挑战赛，普通用户真正该核对的是三件事：任务是否与自己的日常用法同构（没人日常让AI造桥，但人人让它在约束下写代码、算账、核对材料）；规则允不允许模型自查；Token和花费有没有一起公开。三样齐全，成绩才值得认真看；缺一样，就把它当综艺。桥塌了只说明桥塌了，账单和回放才说明能力差距在哪里。
