B 站 AI 无限竞技场榜单出炉，GPT-6 Astra 拿了榜首

最近 B 站搞的这个「AI 无限竞技场」真的挺有意思，看完首轮结果，我觉得这种测评方式才真正触及了 AI 实用性的核心。

大家平时看 AI 模型的评测，大多是看那些所谓的基准测试（Benchmark），也就是跑分。但说实话，现在的跑分已经越来越没参考价值了，因为很多模型在训练阶段可能就见过测试集，导致分数虚高。而这次 B 站的玩法完全不同，它不是那种死板的跑分测试，而是把评测权交给了真正使用 AI 的人——也就是各个分区的 UP 主。

这些 UP 主涵盖了不同的专业领域，他们不看参数，而是直接用自己的真实工作流、专业应用场景，或者是一些极具挑战性的“脑洞题”去让模型 PK。这种方式最绝的地方在于，它模拟的是真实的使用环境。一个模型能不能写好代码、能不能理解复杂的视频分镜、能不能处理极其冷门的专业知识，在这些实操者的压力测试下，优劣之分立刻就出来了。

根据 9 月 20 日公布的首轮结果，这次的竞争非常激烈。最终结果显示，GPT-6 Astra 在 10 位 UP 主的测评中拿到了榜首，其获胜次数超过了 GLM-5.3。虽然 GPT-6 Astra 暂时占据了最高位置，但国产模型的强势崛起同样令人瞩目。在最终的前 5 名名单中，国产模型竟然占据了 3 席。

这次参与竞技场的模型阵容非常豪华，涵盖了目前市面上几乎所有主流的国产大模型，包括 DeepSeek、Kimi、豆包、千问、Hy 以及 MiniMax 等。可以看到，国产模型在实际应用场景中的表现已经非常接近顶尖水平，在很多具体的实操环节中，国产模型展现出了极强的竞争力。

我个人认为，这种由实操者定义、实时更新的榜单，比那些冰冷的数字更有参考价值。因为对于普通用户来说，我们并不在乎模型在某个学术数据集上跑了多少分，我们在乎的是：当我把一个复杂的任务交给它时，它能不能一次性给出正确的答案？它能不能理解我的真实意图？

在这次的「AI 无限竞技场」中，UP 主们扮演了“裁判”的角色。他们用自己的专业知识去挖掘模型的极限，这种基于真实工作流的 PK，实际上是在测试 AI 的“通用能力”和“实际交付能力”。当一个模型能够通过多位不同领域 UP 主的实操考验并拿到高分时，它的实用性才得到了真正的验证。

这次首轮结果虽然出炉，但由于是实时更新的机制，未来的排名还会随着更多 UP 主的加入和更多复杂场景的测试而波动。不过，目前 GPT-6 Astra 的榜首之位以及国产模型在前 5 名中占据 3 席的局面，已经给目前的 AI 竞争格局画出了一个清晰的轮廓。

总的来说，这次 B 站的尝试让 AI 评测回归到了“好不好用”这个最基本的问题上。比起看论文和跑分，我更期待看到这些模型在面对真实世界的复杂需求时，究竟谁能真正成为生产力工具。