登录
11月8日，B站一场“九个AI造桥”的比赛出圈了。90分钟，七关，九个模型，冠军是GPT-6.2 Sol。到11月11日，视频播放145万。评论区里，“Sol赢了Astra”和“DeepSeek垫底”一起流传，一张游戏成绩表很快被读成了模型能力榜。
但比赛仓库的 README 里写着一句很直白的话：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
主办方在解释限制里还补了一句：每个模型只跑一次，单次结果有偶然性。GitHub
把赛制摊开看，这张榜测的比“模型能力”具体得多，也窄得多。
把逐关成绩摊开，总榜其实被三道题切成了三段：第4关和第6关，前三名过了，后六名全没过；第5关，只有Sol过了。 于是第1名和第2、3名之间，以及前三名和后六名之间，各有一道0分隔开。GitHub
这不是后六名比前三名差了整整一个能力层，而是规则：一关里有任何一个场景没过，整关0分。Kimi第6关交了一份造价11741的桥，预算20000，但三个场景一个都没过，记0。在榜上，这份设计和“没交”没有区别。
对比赛来说这很合理——“过”是硬门槛，没过就是没过。但对看榜的人来说，它把“差一点”和“差很多”压成了同一个0。你看到的不是一条平滑的能力曲线，而是一道悬崖。
九个人也不在同一条起跑线上。
他们拿到的是同一份选手包、同一句提示词、同样的90分钟，连本地模拟器和裁判都是同一份程序，结果确定，可以无限次试。 这一点比很多“跑分”都干净。GitHub
但九个人用的是九套工具：Sol用Codex，Opus用Claude Code，Astra用Codex CLI，Gemini、混元、豆包都走OpenCode但接入方不同，Grok、Kimi、DeepSeek各有自己的工具。工具怎么读文件、怎么跑模拟、怎么分配90分钟，是九套不同的东西。主办方也说了，“最高思考档”是各工具自己的最高档，没有逐请求验证，同名档位不能直接等同。GitHub
另一个细节：DeepSeek这边上场的是V4.1 Flash。Flash通常意味着更便宜、更快的档位；对面是Sol、Opus 5.5、Gemini 4 Argon这些旗舰。把不同定位的模型放进同一张总榜，名次就不能直接翻译成“谁更聪明”。
总分也不是一个中性的东西。
总分 = 前六关关卡分之和 + 第7关攻防分，再除以7。 造桥占六份，拆桥占一份。单独看前六关，Sol第一，106.24；单独看第7关，Astra第一，87.50。总榜按6:1加权，Sol第一。GitHub
这个权重是主办方定的，不是物理定律。你要是更在意“桥能不能扛住别人的捣蛋车”，Astra就是另一个故事。而且第7关每对选手只打一局，72局里18局攻破；一次出发时机、一辆车晚0.1秒，都可能改写一个格子。 主办方自己把这条写进了限制里。GitHub
那这张榜还有用吗？有，但要把问题问对。
它至少说明，在这个具体任务里，Sol把90分钟用得很好：它是唯一过了第5关的选手；第2关造价7701.80，比主办方参考答案的10616.73低27%，拿到137.85分；第7关守8/8、破5/8。这个成绩可复现——引擎、设计、计分脚本都开源，跑一遍能对上。它不是“Sol全面强于Opus”，而是“Sol+Codex+这一次90分钟，在造桥这件事上最强”。
另外，137.85不是“137分的能力”，是“比参考答案便宜27%”。关卡分以主办方参考答案为100，参考答案不是理论最优，超过100只说明比它便宜。GitHub
如果你的工作流正好是给coding agent一份规则、一个本地模拟器、90分钟，让它反复试错、交一个结构化文件，这比赛很有参考价值。如果你想知道哪个模型写文案更好、客服更稳，这张榜几乎不提供信息。
UP主在置顶评论里也说了，这期“偏向娱乐，也比较赶工”。 比赛本身是认真的：规则、引擎、设计、计分全开源；但“认真办的比赛”和“模型能力排行榜”之间，还隔着工具、渠道、权重和一次性的临场发挥。哔哩哔哩
所以，看九个AI造桥，最好的看法不是把它当排行榜，而是当一场公开的工程实录：同样的工地，不同的工具箱，一次性的90分钟。冠军值得看，但冠军头上的“第一”，只在这场工地里成立。
