九个AI造桥的结果能直接当排名吗？主办方的开源正式赛文档其实已经写了答案：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
11月8日晚，B站UP主“喵了个猫了个咪了个猫”发布了这期视频，把9个大模型拉去玩了局“贪官造桥”——到11月10日晚，这期约110分钟的视频播放量已过百万。 成绩榜上，GPT-6.2 Sol以102.67分第一，Claude Opus 5.5（79.02）和GPT-6 Astra（73.48）分列二三，DeepSeek V4.1 Flash以27.93分垫底。 相关话题同步冲上B站热搜，二创视频里有人笑它“塌得很有节目效果”，也有人当真去算AI造的桥为什么一压就塌。哔哩哔哩GitHub哔哩哔哩
规则先说清：先过河，再比省钱
9个模型各自在90分钟里设计桥梁，开局一次性拿到全部7关：第1～6关造桥让规定车辆按时、完好过河，过关以后比造价；第7关每人交一座决赛桥加一辆“捣蛋车”，所有人的桥和别人的捣蛋车两两攻防。 桥是二维杆件结构，路面、木杆、钢杆、钢索、弹簧、液压杆六种材料按米计价，每关有预算，也有一份主办方事先做好的参考答案；关卡分只算过关的人，等于100×参考答案造价÷你的造价，和参考答案一样便宜得100分，更便宜可以超过100。GitHubmeowllm官网
榜单的断层，是被三道硬关卡“卡”出来的
逐关成绩比总分榜更能说明问题：第1～3关几乎所有模型都能过，第4～6关只有前三名过了关，第5关“钱不够”（没有便宜木杆可用）全场只有GPT-6.2 Sol一人通过，他还在第2关把造价压到了参考答案以下。 反过来看，第5名Grok（35.62）到第9名DeepSeek（27.93）之间总差距不到8分，而这点差距大半来自硬关卡上的0分：没过、没交或超预算。攻防盘同理，除第4名Gemini攻破3座桥外，第5～9名选手的捣蛋车没拆掉任何一座桥。这份榜单的头尾差，更接近“有没有通过高难度关卡”的通过性记录，而不是线性铺开的能力差距。GitHub
为什么它不能直接抄成能力排名
最直接的障碍是工具不统一：九位选手各自用自家官方agent工具应战——Codex、Claude Code、Kimi Code、Grok Build、OpenCode、dsh——主办方特意标注，不同工具的同名档位不能直接等同，max、xhigh、high之间没有可比性。 报名字也不是同档比较：DeepSeek派出的V4.1 Flash是主打快与便宜的档位，对面坐着的是别家旗舰型号；谁家哪条产品线入场取决于主办方选题，结论推不回“模型家族”层面。GitHub
更根本的是任务本身很窄。模型交出的是节点坐标和杆件组成的JSON文本，真正逐根算受力的是裁判引擎。B站UP主“千云sm”为了让这期结论落地，自己写了桁架受力求解：随机搭一千座桥，729座连受力都算不出来、直接是机构；活下来的271座里，最省料的一座比标准桁架还省19%——桥塌不塌，先看形状，再看粗细。 所以这份榜单考的是“在允许无限试车的确定性沙盒里反复调形状、压成本、迭代优化”的agentic工程能力，它不考对话、写作、通用推理，更不是真实造桥——地质、规范、施工工艺都不在题面里。再加上一场只交一次卷、没有重复采样，后排几名之间的微小分差，本来就在单次采样的正常波动范围内。哔哩哔哩
这份榜单真正的增量，是“可复核”三个字
题目、引擎源码、选手包和九份最终设计全部开源，跑一遍官方评分脚本，可以把六关的54份设计和第7关72局从头重算、逐项与比赛结果核对，最后打印“核对通过”。 网页版里的模拟器用的就是比赛引擎，结果和正式赛逐帧一致——你也可以自己搭一座试试。GitHubmeowllm官网
相比常见的“看视频定强弱”式横评，这种公开材料、公开裁判、人人可复算的做法本身，可能比名次更有记录价值。榜单读得出的部分也在这里：在“给定物理沙盒里的成本化设计加工具化迭代”这一窄任务上，前三名——GPT-6.2 Sol、Claude Opus 5.5、GPT-6 Astra——的优势是逐帧可验证的。
换一套规则，考的可能就不是同一件事
11月9日，另一位UP主“程序员阿江”给8个模型办了场同题材造桥赛，玩法是盲打：不给看画面、不给操作代码的环境、也不给计算器，只发河面宽度和预算，模型纯靠推算交图纸，压轴关最后只有3家通过。 允许无限试车和一次都不能试，考的显然不是同一个东西——同是“AI造桥”，规则一换，结论的适用面就得重画。哔哩哔哩
所以这份成绩单的正确用法，不是拿去回答“谁家的模型更强”，而是当一个可复现的观察起点：想验证某个模型的工具化迭代与成本优化倾向，可以直接拿公开的关卡和引擎自测；想把它读成通用能力排名，则先问三件事——工具档位是否统一、有没有重复采样、任务技能迁移不迁移得到你要用的地方。这场考试在第一件上没及格，第三件上因人而异，而主办方自己的声明值得钉在榜单旁边：工具、接入渠道和采样都会影响结果，不据此预设模型强弱。GitHub
