前言
9月16日，B站「AI无限竞技场」正式上线，首期大模型测评榜单同步公布。
GPT-6 Astra在10位UP主的测评中拿下榜首，获得榜首次数冠军。
榜单前五名中，国产大模型占据三席。
消息一出，技术群里的讨论比过年还热闹。
有人说“GPT-6还是爸爸”，有人说“国产模型已经追上来了”，还有人翻出各个UP主的视频，一条一条对比谁家的模型跑得更好。
但讨论到后面，大家发现问题了——同一个GPT-6，在不同UP主的视频里表现完全不同。
在代码修复类测评里，它确实稳如老狗。
在游戏开发类测评里，它偶尔会翻车。
在生活决策类测评里，它的表现甚至不如某些国产模型。
这不是GPT-6的问题，这是所有AI评测都在面对的一个根本困境：到底用什么标准来衡量一个模型好不好？
一、B站竞技场到底在测什么？
在聊GPT-6的成绩之前，我们先花两分钟搞清楚这个竞技场的测评逻辑。
B站AI无限竞技场的核心设计非常直接：不设主题限制，不设维度限制，由UP主基于自己的真实工作流自主命题，让上百个大模型同题PK。
这和传统Benchmark有本质区别。
传统Benchmark（比如MMLU、HumanEval、SWE-bench）是标准化考试——有固定题库、有标准答案、有统一评分规则。
你可以理解成“高考”。
所有考生做同一套卷子，分数可比性强。
B站竞技场是实战试用——UP主把自己真实工作里遇到的脏活累活拿出来当考题，让AI上手干。
干得好不好，UP主自己说了算。
二、GPT-6到底“碾压”了什么？
我把UP主们的测评结果梳理了一下，发现GPT-6的优势集中在一类特定的任务上。
2.1 GPT-6赢了，但UP主说了句大实话
“屎山论剑”是首期测评里最硬核的代码修复主题，UP主“Token就是词元”让不同AI直接挑战“祖传BUG”——就是那种改一行崩三行的老代码。
GPT-6在这个主题里表现突出，拿下了不错的成绩。
但UP主自己在视频里说了一句话，被弹幕反复刷屏： “GPT-6确实更上一层楼了，但能不能始终稳定，还值得进一步观察。”
这个措辞很值得琢磨。
“更上一层楼”和“始终稳定”是两个完全不同的评价维度。一次测评里跑出高分，和一百次真实任务里稳定交付，中间隔着的东西比很多人想的要多。
2.2 为什么GPT-6在代码修复上强？
这和OpenAI对GPT-6的定位直接相关。
GPT-6 Astra最大的能力升级，不是“知识更多了”，而是Computer Use能力——它能看懂屏幕画面、操控鼠标键盘、在真实软件里完成多步骤任务。
在OSWorld 2.0测试中，Astra得分72.6%，GPT-5.6 Sol是65.7%。完成同样任务，Astra平均40分钟，Sol需要75分钟——速度快了将近一半。
在代码修复场景里，这意味着GPT-6不只是“告诉你哪里有问题”，而是真的能进入终端、跑测试、读报错、改代码、再跑测试。
这是一个完整的闭环。
2.3 但GPT-6也有翻车的时候
在游戏开发类测评中，GPT-6的表现和其他头部模型差距不大。
有UP主反馈，在需要创意设计和玩法逻辑的开放任务上，GPT-6反而没有代码修复时那么得心应手。
游戏开发不只是“把代码写对”，还涉及玩法设计的直觉、数值平衡的判断、玩家体验的预判——这些恰恰是标准化考试测不出来的东西。
更值得注意的是，GLM-5.3在另一个代码修复主题中拿到了榜首，压过了GPT-6。
而Claude Fable 5.1在分阶段对抗性修复主题中登顶。
同一个“修BUG”的大方向，不同UP主设计的不同任务，冠军是不同的模型。
这说明什么？
说明没有一个模型在所有真实场景中都“碾压”。
GPT-6在终端操作和工程执行上强，GLM-5.3在祖传代码系统测试上强，Claude在分阶段对抗性修复上强。
这不是“谁比谁厉害”的问题，是不同模型在不同任务上有不同的能力分布。
我自己在项目里也有类似的感受。
同一个模型，写业务逻辑代码的时候特别顺手，但让它去做一些需要“猜产品经理意图”的需求，就开始胡言乱语。
模型不是越贵越好，是越匹配你的场景越好。
三、核心矛盾
有些小伙伴在工作中可能遇到过这样的场景：你看了某个模型的跑分榜单，发现它“全面领先”，兴冲冲地接入了。结果上线之后发现，它在你最关心的那个业务场景上，表现得还不如一个跑分低一截的模型。
这不是个例。
这是当前AI评测体系的一个结构性矛盾。
3.1 用一张图说清楚这个矛盾
传统Benchmark考的是“你知不知道正确答案”，真实场景考的是“你能不能把事做成”。
这两件事的能力要求完全不同。
3.2 数据会说话
2026年5月，上海人工智能实验室联合多所高校发布了WildClawBench——60道任务全部模拟真实工作场景，包括爬取论文、审计代码仓库、排查Git历史中的API Key泄露、从会议录像中提取结构化数据并生成专业宣传册。
结果很扎心：目前表现最好的模型Claude Opus 4.6，在这套实战考题上的得分仅为51.6%。
换句话说，即便当前最顶尖的大模型，在面对真实、复杂的端到端任务时，也只能完成大约一半。
另一个数据更直接。
中国人民大学高瓴人工智能学院提出了BeyondSWE基准，考验AI跨仓库检索、领域知识理解、依赖升级和从零构建系统的能力。
结果发现顶尖模型通过率暴跌至45%以下，暴露出其缺乏真实工程思维。
3.3 GPT-6自己的数据也说明了问题
GPT-6在ARC-AGI-3上的成绩，被广泛引用的是99.9%。
但这个数字有一个关键背景。
ARC Prize官方在标准harness下测出来的成绩是62.7%。
而Provider Adapter harness下才是99.9%。
两个数字都是GPT-6，都来自ARC Prize，都被称为SOTA。
差别在于：标准harness限制了模型能“记住”多少东西，而Provider Adapter允许模型携带笔记。
更关键的是，在综合9项知识、编程、工具调用和长上下文的测试里，GPT-6 Astra的通用智能指数是61分，与GPT-5.6 Sol持平，比Claude Fable 5.1的66分少了5分。
也就是说，GPT-6的“智力”并没有比上一代更强，它强的是“动手能力” 。
四、K3被淘汰：一个值得深思的案例
这次竞技场里还有一个被反复讨论的案例：Kimi K3没有出现在首期榜单上。
K3是什么水平？
7月份发布的时候，月之暗面把2.8万亿参数的模型权重完整开源，支持1M上下文，在前端榜上拿到了全球第一。
按传统跑分榜单的视角看，K3绝对应该是“第一梯队”的选手。
但在B站的真实场景测评里，它连榜单都没进。
有论坛用户直接发帖问：“k3都不能上榜么？我不太相信。”底下最高赞的回复很直接：“评分和实际场景不是一回事。”
这不是说K3“不行”。
它在前端UI生成这类任务上依然很强。
但真实场景测评暴露的是能力边界——K3在某些类型的任务上很强，在另一些类型的任务上可能不如别人。
而传统Benchmark往往只测“它最擅长的那一类”。
五、那到底该怎么看GPT-6的“夺冠”？
我的判断是这样的：
GPT-6 Astra是当前最强的编程和Agent模型之一，这一点没有争议。
在B站的10项UP主测评中拿下榜首，在OSWorld 2.0上以72.6%领先Sol的65.7%，在Codeforces上拿到3206分，在CAD绘制测试BenchCAD上达到95.9%——这些成绩都是实打实的。
但“碾压夺冠”这个说法，掩盖了一个更重要的事实：AI能力是多维的。
GPT-6在Agent执行和代码修复上强，GLM-5.3在祖传代码系统测试上强，Claude Fable 5.1在复杂调试和推理上强，Kimi K3在前端UI生成上强。这不是“谁取代谁”，是“各有所长”。
5.1 GPT-6的真正突破在哪里？
不是“知识更多了”，而是从“说话”到“动手” 。
OpenAI在发布时给GPT-6的定位是“Anything you can do on a computer, Astra can do for you”。这不是营销话术，是方向声明。
过去的AI模型，你问它问题，它给你答案。你让它做事，它告诉你“怎么做”，然后你自己去执行。
GPT-6直接替你“做”了——看屏幕、点鼠标、敲键盘、跑测试、读报错、再改代码。它完成的是一个闭环，不是一段输出。
在Terminal-Bench 4.0上，GPT-6拿到57.9%，远超Sol的37.3%。这是编程能力提升超过50%。
写在最后
回到知乎那个问题：GPT-6在UP主众测中碾压夺冠，它是现在最强大模型吗？
我的回答是：它在Agent执行和代码修复上是当前最强的之一，但“最强大模型”这个说法本身就有问题。
因为“最强”取决于你拿什么尺子量。
如果你量的是“能不能把事做成”——GPT-6确实强。如果你量的是“通用智力有多高”——它跟上一代持平。如果你量的是“在所有真实场景中是否都领先”——答案是明确的：不是。
一个模型在某个榜单上拿了第一，不代表它在所有真实场景中都更强。民间测评表现突出，也不代表综合能力一定更高——它可能只是恰好撞上了测评者设计的那类任务。
AI评测正在从“考试”走向“实战”。
B站竞技场给传统Benchmark之外，提供了一个观察AI实际能力的新窗口。
2026年的AI评测领域正在经历一场深层次的转向：从“跑分竞赛”到“场景验证”，从单一能力评测到安全、可信、鲁棒性的多维评估。
至于这个窗口能不能替代传统评测，我的看法是：不是替代，是互补。
官方Benchmark适合横向比较，真实场景测评适合判断实际使用体验。两者合在一起，你才能看清一个模型的全貌。
别只看跑分，也别只看一个UP主的视频。多看几个，多跑几个真实任务，答案自然就出来了。
