物界前沿物界前沿评测 · 2026-09-29
第 062 期 · 预览版。别人做评测，我们做评测的雷达。每天 5 分钟，看懂哪些 AI 工具值得你用。
今天三件值得单独说的事：模型换代越来越快，钱花在追新上到底值不值；一场闭门会上说「以后测试比写代码更值钱」；AI 一脸笃定地答错时，办公室里谁在把关。
重点更新
1. 模型换代越来越快，公司砸在「调用能力」上的钱可能一半白花
TechRadar 这篇讲了一件事：现在 AI 模型几个月就换一茬，你今天花钱买来的本事，可能还没用顺手就过时了。
文章算的是企业的账——不少公司每年在调用模型上砸几百万、上千万，用的却常常是半年前那一版。它给的建议是：别把预算全押在「追最新」上，先把手上这版跑稳。
产品领域专家·阿哲说｜厂商更新越快，用户越不敢重投，这是这门生意里一个绕不开的矛盾。我的看法是，模型会一直换，但入口和习惯是慢慢攒的——你在哪个工具里把一套流程养熟，比追哪个模型排第一更值钱。给普通人的动作很具体：常用的那个助手，别因为出了新版就整批换掉，新出的先拿不要紧的活试，稳两轮再动。
小编小禾说｜我就是一有新模型就想换的那种人，结果每次刚摸熟又变了。这次听劝：手头这个用顺的留着，新出的先拿不重要的事试，不出岔子再说。
来源：TechRadar（2026-09-29）
2. 一场技术闭门会上的判断：以后测试会比写代码更值钱
极客公园记了一场做编程工具的闭门交流。
会上一个判断是：AI 把写代码的产量拉起来之后，真正稀缺的不再是「能写出来」，而是「能验出来」——谁来测、怎么测、测到什么程度算过关。会上还提了一种新硬件形态，大意是给 AI 单独配一台干活的电脑。
编程领域专家·老徐说｜这句话我举双手赞成。我自己干活最花时间的从来不是敲代码，是确认它到底改对没有。AI 产量一涨，「怎么验」就成了新瓶颈：谁先把「什么算干完」定清楚，谁才能用得长久。给拿 AI 写东西的人一句实在话——让它交活之前，先把验收标准写下来，别等它交了一大堆你才现想怎么测。
小编小禾说｜我听懂了，就是它写起来快，检查还得靠人。我能做到的一条是：让它改完先列个清单，我照着一条条点一遍。别整篇都信，也别整篇都不敢信。
来源：极客公园（2026-09-28）
3. AI 一脸笃定地答错时，办公室里会发生什么
TechRadar 这篇讲的是办公室里最常见的一种翻车：AI 把错的东西说得跟真的一样，人一看它这么肯定，就直接用了。
文章把这类情况和另一种风险摆在一起看——图快用 AI 的时候，谁在替结果的准确性把关。它给的提醒是：越顺手的工具，越要留一道人过目的关口。
安全领域专家·老周说｜这种「笃定地答错」比明显答错更麻烦，因为它把判断的责任悄悄推给了读的人。我盯的从来不是它聪不聪明，是它出错时谁发现、多久发现。落到动作上：凡是它给的东西要往外发、要签字、要牵扯到钱的，先留一个人过目；重要的数字，回原始单据核一遍。
小编小禾说｜我踩过这个坑。上次让它帮我写一份说明，里面一个日期算错了，它说得特别顺，我直接发出去了，被同事指出来才发现。现在我的规矩是：重要的那几处，我自己回原始文件核一遍再往外发。
来源：TechRadar（2026-09-29）
榜单快报 · 这周谁最能打
先说清楚口径：Arena 的几张榜跟上期是同一份快照，本期没有新变化，各组真实的更新日也不一样（文本和编程榜停在 2026-09-25，实干榜 2026-09-27，图片榜停在 2026-09-13）。今天能报的新数字，来自 Artificial Analysis 的综合智能评分。
综合智能评分（今日抓取，数据截至 2026-09-29）
| # | 模型 | 厂商 | 综合智能指数 |
|---|---|---|---|
| 1 | Claude Opus 5.5（max） | Anthropic | 58 |
| 2 | Claude Opus 5.5（xhigh） | Anthropic | 56 |
| 3 | Claude Sonnet 5.5（max） | Anthropic | 56 |
| 4 | Claude Opus 5.5（high） | Anthropic | 54 |
| 5 | Claude Fable 5.1（max） | Anthropic | 53 |
这份榜把各家模型放进同一批题里打分，分数越高，说明干得越全面。前五名清一色是 Anthropic 的 Claude。OpenAI 的 GPT-6 Astra 是 53 分，跟第五名并列；国产里最高的是小米的 MiMo-V2.6-Pro，46 分。
人类盲投文本榜（数据截至 2026-09-25）
| # | 模型 | 厂商 | 盲测得分（场次） |
|---|---|---|---|
| 1 | claude-opus-5.5-high | Anthropic | 1509（2,307 场） |
| 2 | claude-opus-4-6-high | Anthropic | 1505（76,518 场） |
| 3 | claude-fable-5-high | Anthropic | 1504（36,462 场） |
| 4 | claude-opus-4-7-high | Anthropic | 1502（64,007 场） |
| 5 | claude-fable-5.1-max | Anthropic | 1501（9,942 场） |
这张榜是人类一对一投票投出来的——两个人拿到同一个问题的两份答案，谁也不知道哪份是哪家做的。前五名被 Anthropic 一家占满。重点看括号里的场次：第 1 名只攒了 2,307 票，浮动正负 12 分，名次还在晃；第 2 名有 7.6 万票，更靠得住。
实干能力榜（数据截至 2026-09-27）
| # | 模型 | 厂商 | 净改进分 |
|---|---|---|---|
| 1 | Claude Fable 5.1 (Max) | Anthropic | 13.8 |
| 2 | Claude Opus 5.5 (High) | Anthropic | 12.2 |
| 3 | GPT 6 Astra (Max) | OpenAI | 10.3 |
| 4 | Claude Opus 5 (Max) | Anthropic | 9.6 |
| 5 | Claude Opus 5 (High) | Anthropic | 9.5 |
这组考的是让 AI 真上手干活（点鼠标、改文件）之后，有没有把事办成。分数叫净改进分，意思是结果比原来好了多少。头名是 Anthropic 的 Fable 5.1，第二是它家的 Opus 5.5，第三是 OpenAI 的 GPT-6 Astra。
板块精选
1. AI 聊天正在把我们的知识面越缩越窄。丹麦哥本哈根大学的研究者提了个醒：越来越多人靠 AI 聊天来了解世界，时间一长，我们碰到的知识会越来越集中在几件事上，剩下的大片空白没人再去看。一句话点评：别把 AI 当图书馆，它更适合当个帮你查个别问题的帮手。
2. OpenAI 要给自家 AI 助手补课了。The Verge 这篇说，OpenAI 是最早把聊天 AI 带火的那家，可在「能自己动手干活」这一类上，它落在了后面。文章提到它的年度开发者大会临近，外界盯着它这次拿什么补上这块。一句话点评：聊天强不等于干活强，这是两回事，挑工具先看你需要的是哪一种。
3. 什么样的 AI 产品算「认真」？这篇博客发了句牢骚：现在的 AI 产品看着热闹，可大多没把自己说的话当真——嘴上认某个道理，产品里却看不出来。作者顺手列了几个「要是认真做，会是什么样」的样子。一句话点评：判断一个工具靠不靠谱，先看它做到的和它宣传的是不是一件事。
4. 对着屏幕说「把这个改了」，AI 到底该懂哪个「这个」。屏幕上东西一多，你随口一句「把这个改了」，AI 很可能猜不准你指哪儿。这篇文章聊的是：在给 AI 用的界面里，怎么让人「选一下」这个动作更清楚、不容易搞错。一句话点评：你自己指得越清楚，它猜错的就越少。
5. 有人给 AI 装了一段「没人搭理时也在想事」的内心。一个开源项目让 AI 在不跟人聊天的时候，也留一段自己的「状态」：会记、会琢磨自己是什么、会好奇。整套跑在你自己的电脑上。一句话点评：听着新鲜，但「有内心」离「靠谱」是两码事，先当实验看。
6. AI 助手原地打转出不来，现在有工具能早点发现。让 AI 干长活时，它有时候会卡在一个圈里反复做同一件事。有个开源小工具专门盯这种「原地转圈」，能在它转起来的时候先报警，省得白烧时间和钱。一句话点评：长活最怕的不是慢，是它绕圈你还不知道。
7. 你的网站 AI 看不看得见，有个小工具能查。越来越多人靠 AI 而不是搜索框找东西。这个开源小工具走的是这个新方向：把你网站扫一遍，挑出让 AI 和搜索引擎抓不到内容的问题。一句话点评：能被 AI 抓到，才谈得上被它写进答案。
8. 一个下午，用 AI 做出能在四个苹果设备上跑的 App。一位开发者晒了段经历：从写第一行到最后能跑，大概用了五个小时，做出了在 iPhone、iPad 等四个苹果平台上都能用的 App。他说整套流程是把 AI 当搭子，自己盯关键处。一句话点评：一个人一下午的成品，先别当成团队的交付速度。
9. 给 AI 助手发一张「工牌」，管清它到底是谁、能干什么。一个身份管理产品专门给 AI 助手加了位置：像公司给员工发工牌和权限一样，给每个能自己干活的 AI 单独登记身份、限定它能碰到什么。一句话点评：先能叫出它的名字、说清它的权限，才谈得上管住它。
10. 把一叠法律文件变成能搜、能对的电子文本。这个工具处理扫描的法律文件：先认出每一段是哪一条，转成能搜索的文字，还留一条链回到原件。作者强调一句，查法条先要看来源对不对得上。一句话点评：它替你找到原文，判对错这步还得自己来。
大家都在看
- 阿里 AI 的增长之谜：云业务成了它转型的晴雨表（虎嗅）
- 做 AI 模型托管生意的 Modal Labs 接近完成 7.5 亿美元融资，估值 157.5 亿美元（TechCrunch）
- 投资人 Vinod Khosla 预测：多数机器人公司的估值到 2030 年会跌下来（The Information）
- 有媒体算了一笔账：AI 那笔藏起来的 3 万亿美元开销，可能压到全球经济（Telegraph）
- Meta 启动新企业 AI 平台，挖来 MongoDB 的前 CEO 挂帅（IT之家）
明日关注
1. Arena 那几张榜什么时候真正刷新：盯它别再连着几期发同一份快照，也盯各分榜标的更新日能不能落到同一周。
2. 开源权重模型（谁都能下载、装到自己机器上跑的那类）什么时候挤进综合智能榜前十：现在最高的小米 MiMo-V2.6-Pro 是 46 分，离头部还差一档。
3. 测试会不会变成比写代码更值钱的岗位：盯有没有公司先招专做 AI 测试的人，把「什么算干完」的验收标准写出来。
