AI造桥赛能直接当大模型排名吗？这些限制要看清_IT互联网

11月8日晚，B站UP主"喵了个猫了个咪了个猫"的开源赛事系列"AI算法对抗大赛"第9集《造桥大赛》上线：9个模型各自在90分钟里设计桥梁，开局一次性拿到全部关卡，由确定性物理引擎逐关打分，上线两天播放量破百万。紧接着第二天晚上，UP主"程序员阿江"的ModelDial挑战赛也办了8个模型、6道关卡的造桥盲打比赛，闯关回放和成绩单同步公开在ModelDial网站上。两张榜单的截图被大量转发，"谁是大模型第一名"的说法随之出现。先说结论：造桥赛量的是"这道题、这套规则、这一次发挥"下的工程表现，不能直接换算成大模型排名。这不是观众抬杠，是主办方写进比赛材料的原话。GitHub哔哩哔哩GitHub

这份成绩单确实量到了真东西

比赛环境做得相当严格。每位选手一个独立工作目录，里面是同一份选手包，文件哈希相同，开赛消息只换目录名；不可以联网、不可以派子代理、不可以修改模拟器和关卡文件，但可以写辅助脚本、无限次试车——选手手上的本地模拟器和裁判是同一份程序，正式评分用的就是公开场景，没有隐藏关卡。GitHub

榜单把分层拉开了。GPT-6.2 Sol总分102.67，是唯一攻防、闯关两项都接近满位的选手；Claude Opus 5.5以79.02、GPT-6 Astra以73.48列第二、第三。GitHub

更能说明问题的是逐关分布：第4～6关只有Sol、Opus、Astra三家过了关，第5关"钱不够"场景里只有Sol做出来；Gemini、Kimi、混元、豆包、DeepSeek在后三关全部未过，Grok干脆第5、6关交了白卷，而Opus和Astra在第5关都因超预算吃了0分。这类信号是真的：空间受力判断、预算控制、长时间自主干活，模型之间确实有断层。但注意，它只对这一类题成立。GitHub

当排名之前，先看清五道限制

第一道，比赛只跑了一次。主办方的"解释限制"写得直白：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。一次发挥里夹着采样和解题路径的波动，名次不能代表期望水平。GitHub

第二道，"考场"不统一。九名选手分布在Codex桌面版、Codex CLI、Claude Code、OpenCode、Grok Build、Kimi Code、dsh等工具里，接入渠道有Google Vertex AI、Moonshot官方、OpenRouter、火山方舟等，部分选手的接入配置连赛事文档都没记录。“max”“xhigh”"high"是各家自己的定义，互相之间画不了等号。GitHub

第三道，榜是计分规则的产物。关卡分以主办方参考答案为100基准，比参考答案便宜可以超过100，没过、没交、超预算都是0，七关同权让任何一关的0分都会拖垮总分；第7关每对只打一局，桥与桥、捣蛋车之间没有直接比较。最典型的例子是Astra：它的攻防分87.5是全场最高，总分却只排第三。GitHubGitHub

第四道，同一个系列内部排名就不迁移。这个系列办了九集，冠军一直在换：圈地是Sonnet 5.5，炸弹人、坦克大战、足球是GPT-6 Astra，外交是Fable 5.1，光轮对战是Mistral Large 4，屎山代码优化是阶跃Step 5 preview和混元Hy4 preview并列，到造桥才轮到GPT-6.2 Sol登顶。九集九个（批）冠军，恰恰说明任何单场比赛都推不出"综合最强"。GitHub

第五道，换一个比赛就换一套结果。ModelDial那场8个模型的规则完全不同：全程盲打，不给画面、不给代码运行环境、也不给计算器，只发河宽和预算，每关两次机会，第二次过关只拿一半分。分值结构也一改到底：最后两关权重最高，约占全场一半。前五关一路稳过的模型在压轴题因为桥顶钢架架得太高、两扇桥半空相撞吃了0分；也有模型第5关整整80分钟没算出来交白卷，最后一关却靠手算到小数点后六位过关。千问以匿名"鸭子模型"身份成为第5关唯一过关的国产模型，夺冠者场外的调用账单约21美金。条件一换名次就换，两张榜单拼不成一个全局座次。哔哩哔哩

还有一点容易被忽略：造桥只考空间结构推理、预算控制和工具执行这一角，语言、知识、通用推理、编程广度都不在这张卷子上。单一科目的榜，只能支撑单一科目的结论。