11月8日，B站UP主“喵了个猫了个咪了个猫”发布《AI算法对抗大赛》第9集：九个模型，90分钟，同一套材料，连闯七关。 到11日中午，播放量超过150万。榜单一出，“GPT-6.2 Sol第一”和“DeepSeek垫底”很快被做成了标题。哔哩哔哩
先给结论：这场造桥，GPT-6.2 Sol赢得干净；但把九个人的总分从1排到9，不等于给大模型排了座次。这张榜不是九级台阶，是一道大坎加一团混战。
看分数。Sol 102.67，Claude Opus 5.5 79.02，GPT-6 Astra 73.48；第四名 Gemini 4 Argon 45.31，再往后是 Grok 35.62、Kimi 32.47、混元 31.45、豆包 30.96、DeepSeek V4.1 Flash 27.93。第三到第四之间差了28.2分，第四到第九之间一共才差17.4分。第4关、第6关各只有三个过，第5关只有Sol一个。前三名在第4、6关都拿到了分，后六名在第4、5、6关全部是0。那28.2分的坎，主要就是这几关的0分堆出来的。
按规则，六个闯关关卡的分数只在全部场景通过时按造价计算，否则就是0。 第5关最能说明这个0有多杂。九个人里只有Sol过了，剩下八个全是0，但0分的原因并不相同。Astra的桥造价10,199，比10,000的预算多199块——不到三米钢索的钱，整关清零；Opus更贵，13,472；Kimi、混元、豆包、DeepSeek、Gemini都在预算内，但车没过去；Grok干脆没交。八个人都记成0，再排总分，看起来是能力差距，其实“预算没抠住”“结构没算对”“没交卷”被压成了同一个数。GitHub
这还没算工具。这场比赛把能控的都控了：同一台电脑、同一份选手包、同一个确定性引擎、公开场景，连设计文件都开源。没控住的是另一头：九位选手跑在Codex、Claude Code、OpenCode、Kimi Code、Grok Build、dsh这些工具里，接入渠道和思考档也不一样。前三名恰好是Codex、Claude Code、Codex；后六名则分散在OpenCode、Kimi Code、Grok Build、dsh上。主办方自己写明，工具和接入渠道不同，不能把本场结果当作模型能力排名。GitHub
参赛阵容也不是同一档。DeepSeek派的是V4.1 Flash，从命名看是轻量、主打速度与成本的一档；对面有Opus 5.5、GPT-6.2 Sol、GPT-6 Astra这些旗舰。把Flash和旗舰放在一张榜上，本身就不是同档位比较。
再加上每个模型只有一次交卷机会；第7关的72局，其实是九座桥各对八辆捣蛋车，每对只打一局，不是72次独立采样。主办方自己也写明，每个模型只跑一次，单次结果有偶然性。GitHub
这不是说比赛不认真。相反，它的规则、引擎、关卡、参考答案、九个人的设计文件、72局结果和评分脚本全部公开，引擎还是确定性的，本地试车的结果就是正式结果。在同类视频企划里，这种透明度很少见。透明解决的是“能不能复现”，不解决“能不能当排名”。
同一周，另一位UP主“程序员阿江”也办了场8个模型的造桥赛：盲打，不给画面和模拟环境，每关两次机会，最后两关权重更高。同样叫“AI造桥”，考的能力并不相同。 “造桥”不是一项标准化的benchmark，只是一类题；规则一换，“谁更强”的答案就不会自动沿用。哔哩哔哩
所以，这张榜能回答的是：在这次比赛里，谁的桥便宜、谁的车凶、谁在90分钟里把七关都交了。它回答不了：谁的大模型更强。Sol在这场比赛里赢了，这个结论有六关的成绩撑着；“GPT-6.2比Opus 5.5强”“DeepSeek是最差的大模型”，这两句话都走得太远。要把前者变成后者，至少还得有同一套工具、同一档模型、多次重复，以及不止一道题。
